Startseite› Projekte› horovod
horovod
Python

horovod

Verteiltes Trainingsframework für TensorFlow, Keras, PyTorch und Apache MXNet.

von horovod · GitHub
Sterne
Forks
Erstellt
Letzter Commit
Kategorie
Sprache
baidudeep-learningdeeplearningPython
Auf GitHub ansehen
In einfachen Worten

Trainieren Sie maschinelle Lernmodelle schneller, indem Sie die Arbeitslast auf mehrere Computer verteilen.

Aus der README

Dokumentation ↗

Auszüge aus der Projekt-README zu GitHub. Das Urheberrecht und die Lizenzen verbleiben bei den jeweiligen Autoren.

Betreuen Sie dieses Projekt?

Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.

Diese Seite beanspruchen →
horovod — GitHub preview card
📈 Sternhistorie
14.70k14.69k
2026-06-282026-08-31
📈 horovod verfolgen

Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.

Kostenlos · ohne Karte · jederzeit abbestellbar
E-Mail-Alerts erhalten →
📄 Über

Verteiltes Trainingsframework für TensorFlow, Keras, PyTorch und Apache MXNet.

horovod hat 14.7k Sterne auf GitHub. Es wurde 2.2k-mal geforkt. horovod ist hauptsächlich in Python geschrieben. Es wird seit 2017 aktiv entwickelt. Die Hauptthemen sind: baidu, deep-learning, deeplearning, keras.

❓ Frequently asked questions

Was ist horovod?

Verteiltes Trainingsframework für TensorFlow, Keras, PyTorch und Apache MXNet.

Ist horovod Open Source?

horovod ist ein Open-Source-Projekt.

Ist horovod kostenlos?

Ja. horovod ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.

In welcher Sprache ist horovod geschrieben?

horovod ist hauptsächlich in Python geschrieben.

🏅 Wartender dieses Projekts?
olud.ai badge — horovod

Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.

[![olud.ai](https://olud.ai/badge.php?tool=horovod-horovod)](https://olud.ai/project/horovod-horovod.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →

Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.