เชนเนอร์
ผู้เขียนต้นฉบับ	เซยะ โทคุอิ
นักพัฒนา	บริษัท คอมมูนิตี้ พรีเฟอร์ เน็ตเวิร์กส์ จำกัด
ปล่อย	9 มิถุนายน2558 [ 1 ] [ 2 ] ( 9 มิถุนายน 2015 )
เวอร์ชันเสถียร	7.8.1 [ 3 ] / 5 มกราคม 2022 ( 5 มกราคม 2565 )
เขียนเป็น	ไพธอน
แพลตฟอร์ม	ข้ามแพลตฟอร์ม
มีจำหน่ายใน	ไพธอน
พิมพ์	คลังการเรียนรู้เชิงลึก
ใบอนุญาต	เอ็มไอที
เว็บไซต์	chainer .org
ที่เก็บข้อมูล	github.com/chainer/chainer​​​

Chainerเป็นเฟรมเวิ ร์ก การเรียนรู้เชิงลึกแบบโอเพนซอร์สที่เขียนด้วย ภาษา Python ล้วนๆ โดยใช้ ไลบรารี NumPyและCuPy ^ของ Python การพัฒนานี้ดำเนินการโดยบริษัทร่วมทุนของญี่ปุ่น Preferred Networks ร่วมกับIBM , Intel , MicrosoftและNvidia [ ^{4 ] [ 5 ] [ 6 ] [ 7 ]}

Chainer โดดเด่นในด้านการนำรูปแบบ " define-by-run " มาใช้ตั้งแต่เนิ่นๆ รวมถึงประสิทธิภาพในการทำงานบนระบบขนาดใหญ่^{[ 1 ]}เวอร์ชันแรกเปิดตัวในเดือนมิถุนายน 2015 และได้รับความนิยมอย่างมากในญี่ปุ่นตั้งแต่นั้นมา^{[ 1 ] [ 2 ]}นอกจากนี้ ในปี 2017 Chainer ยังได้รับการจัดอันดับโดยKDnuggets ให้ อยู่ใน 10 อันดับแรกของโครงการ Python สำหรับการเรียนรู้ของเครื่องแบบโอเพนซอร์ส^{[ 8 ]}

ในเดือนธันวาคม 2019 Preferred Networks ประกาศการเปลี่ยนผ่านความพยายามในการพัฒนาจาก Chainer ไปเป็นPyTorchและจะให้เฉพาะแพตช์บำรุงรักษาหลังจากปล่อยเวอร์ชัน 7 แล้ว^{[ 9 ]}

Chainer เป็นเฟรมเวิร์กการเรียนรู้เชิงลึกตัวแรกที่นำเสนอแนวทาง define-by-run ^{[ 10 ] [ 11 ]}ขั้นตอนดั้งเดิมในการฝึกเครือข่ายมีสองขั้นตอน: กำหนดการเชื่อมต่อคงที่ระหว่างการดำเนินการทางคณิตศาสตร์ (เช่น การคูณเมทริกซ์และการเปิดใช้งานแบบไม่เชิงเส้น) ในเครือข่าย จากนั้นจึงดำเนินการคำนวณการฝึกจริง วิธีนี้เรียกว่า define-and-run หรือแนวทางกราฟคงที่TheanoและTensorFlowเป็นเฟรมเวิร์กที่โดดเด่นที่ใช้แนวทางนี้ ในทางตรงกันข้าม ในแนวทาง define-by-run หรือแนวทางกราฟไดนามิก การเชื่อมต่อในเครือข่ายจะไม่ถูกกำหนดเมื่อเริ่มการฝึก เครือข่ายจะถูกกำหนดในระหว่างการฝึกเมื่อทำการคำนวณจริง

ข้อดีประการหนึ่งของแนวทางนี้คือใช้งานง่ายและยืดหยุ่น^{[ 12 ]}หากเครือข่ายมีการควบคุมการไหลที่ซับซ้อน เช่นเงื่อนไขและลูปในแนวทางกำหนดและดำเนินการ จำเป็นต้องมีการดำเนินการที่ออกแบบมาเป็นพิเศษสำหรับโครงสร้างดังกล่าว ในทางกลับกัน ในแนวทางกำหนดโดยดำเนินการ สามารถใช้โครงสร้างพื้นฐานของภาษาโปรแกรม เช่น คำสั่ง if และลูป for เพื่ออธิบายการไหลดังกล่าว ความยืดหยุ่นนี้มีประโยชน์อย่างยิ่งในการใช้งานเครือข่ายประสาทแบบวนซ้ำ^{[ 13 ] [ 14 ]}

ข้อดีอีกประการหนึ่งคือความง่ายในการดีบัก^{[ 12 ]}ในแนวทาง define-and-run หากเกิดข้อผิดพลาด (เช่น ข้อผิดพลาดทางตัวเลข) ในการคำนวณการฝึกอบรม มักจะยากที่จะตรวจสอบข้อผิดพลาด เนื่องจากโค้ดที่เขียนเพื่อกำหนดเครือข่ายและตำแหน่งที่เกิดข้อผิดพลาดจริงนั้นแยกจากกัน ในแนวทาง define-by-run คุณสามารถระงับการคำนวณด้วยดีบักเกอร์ ในตัวของภาษา และตรวจสอบข้อมูลที่ไหลผ่านโค้ดเครือข่ายของคุณได้

Define-by-run ได้รับความนิยมมากขึ้นนับตั้งแต่ Chainer นำเสนอ และปัจจุบันได้ถูกนำไปใช้ในเฟรมเวิร์กอื่นๆ อีกมากมาย รวมถึง PyTorch ^{[ 15 ]}และ TensorFlow ^{[ 12 ]}

Chainer มีไลบรารีส่วนขยายสี่ชุด ได้แก่ ChainerMN, ChainerRL, ChainerCV และ ChainerUI ChainerMN ช่วยให้สามารถใช้ Chainer บน GPU หลายตัวได้ โดยมีประสิทธิภาพเร็วกว่าเฟรมเวิร์กการเรียนรู้เชิงลึกอื่นๆ อย่างมาก^{[ 1 ]}ซูเปอร์คอมพิวเตอร์ที่รัน Chainer บน GPU 1024 ตัว ประมวลผล ชุดข้อมูล ImageNet 90 รอบ บนเครือข่าย ResNet-50 ใน 15 นาที ซึ่งเร็วกว่าสถิติเดิมของ Facebook ถึงสี่เท่า^{[ 16 ] [ 17 ]} ChainerRL เพิ่มอัลก อริธึม การเรียนรู้แบบเสริมแรงเชิง ลึกที่ทันสมัย ​​และ ChainerUI เป็นเครื่องมือจัดการและแสดงภาพ

Chainer ถูกใช้เป็นเฟรมเวิร์กสำหรับPaintsChainerซึ่งเป็นบริการที่ทำการระบายสี อัตโนมัติให้ กับภาพวาดเส้นขาวดำโดยใช้การป้อนข้อมูลจากผู้ใช้น้อยที่สุด^{[ 18 ] [ 19 ]}

• การเปรียบเทียบซอฟต์แวร์การเรียนรู้เชิงลึก
• การเรียนรู้ของเครื่อง
• เครือข่ายประสาทเทียม

• เว็บไซต์อย่างเป็นทางการ