チェイナー

Chainerは、 NumPyとCuPy PythonライブラリをベースにPythonのみで書かれたオープンソースのディープラーニングフレームワークです 。開発は日本のベンチャー企業であるPreferred Networksが主導し、 IBM、Intel、Microsoft、Nvidiaと提携しています。^{[4] [5] [6] [7]}

Chainerは、大規模システムでのパフォーマンスだけでなく、「define-by-run」方式の早期採用でも注目されています。^[1]最初のバージョンは2015年6月にリリースされ、それ以来日本で大きな人気を博しています。^{[1] [2]さらに、2017年には、} KDnuggetsによってオープンソースの機械学習Pythonプロジェクトのトップ10に選ばれました。 ^[8]

2019年12月、Preferred NetworksはChainerからPyTorchへの開発移行を発表し、v7のリリース後にのみメンテナンスパッチを提供する予定である。^[9]

Chainerは、define-by-runアプローチを導入した最初のディープラーニングフレームワークでした。^{[10] [11]}ネットワークをトレーニングするための従来の手順は、ネットワーク内の数学演算（行列乗算や非線形活性化など）間の固定接続を定義し、実際のトレーニング計算を実行するという2つのフェーズに分かれていました。これは、define-and-runアプローチまたは静的グラフアプローチと呼ばれます。TheanoとTensorFlowは、このアプローチを採用した有名なフレームワークです。対照的に、define-by-runまたは動的グラフアプローチでは、トレーニングの開始時にネットワーク内の接続は決定されません。ネットワークは、実際の計算が実行されるトレーニング中に決定されます。

このアプローチの利点の1つは、直感的で柔軟性があることです。^[12]ネットワークに条件文やループなどの複雑な制御フローが含まれる場合、定義して実行する方法では、そのような構造のために特別に設計された操作が必要になります。一方、定義して実行する方法では、if文やforループなどのプログラミング言語のネイティブ構造を使用して、そのようなフローを記述できます。この柔軟性は、リカレントニューラルネットワークを実装する際に特に役立ちます。^{[13] [14]}

もう一つの利点は、デバッグが容易なことです。^[12]定義して実行するアプローチでは、トレーニング計算でエラー（数値エラーなど）が発生した場合、ネットワークを定義するために書かれたコードと実際のエラーの場所が分離されているため、障害を検査することが困難な場合がよくあります。定義して実行するアプローチでは、言語の組み込みデバッガーで計算を一時停止し、ネットワークのコード上を流れるデータを検査するだけで済みます。

Define-by-runはChainerによって導入されて以来人気を博しており、現在ではPyTorch ^{[15]やTensorFlow [12]}を含む多くのフレームワークに実装されています。

ChainerにはChainerMN、ChainerRL、ChainerCV、ChainerUIの4つの拡張ライブラリがあります。ChainerMNを使用すると、Chainerを複数のGPUで使用でき、他のディープラーニングフレームワークよりも大幅に高速なパフォーマンスが得られます。^[1] 1024 GPUでChainerを実行するスーパーコンピューターは、 R​​esNet-50ネットワーク上のImageNetデータセットの90エポックを15分で処理しました。これは、Facebookが保持していた以前の記録の4倍の速さです。^{[16] [17]} ChainerRLは最先端の深層強化学習アルゴリズムを追加し、ChainerUIは管理および視覚化ツールです。

Chainerは、最小限のユーザー入力で白黒の線のみの下書きの図面を自動的にカラー化するサービスであるPaintsChainerのフレームワークとして使用されています。 ^{[18] [19]}

• ディープラーニングソフトウェアの比較
• 機械学習
• 人工ニューラルネットワーク

• 公式サイト