Chainer是一个开源的深度学习框架，完全在NumPy和CuPy Python库的基础上用Python编写。该开发工作由日本风险公司Preferred Networks与IBM，英特尔，微软和Nvidia合作进行。
Chainer 是一个开源的深度学习框架，完全在 NumPy 和 CuPy Python 库的基础上用 Python 编写。该开发工作由日本风险公司 Preferred Networks 与 IBM，英特尔，微软和 Nvidia 合作进行。
Chainer 因其早期采用的“ 按运行定义 ”方案以及在大型系统上的性能而著称。第一个版本于 2015 年 6 月发布，此后在日本广受欢迎。此外，在 2017 年，它被 KDnuggets 列在十大开源机器学习 Python 项目中。
2019 年 12 月，Preferred Networks 宣布将其开发工作从 Chainer 过渡到 PyTorch，它将仅在发布 v7 之后提供维护补丁。
按运行定义
Chainer 是第一个引入按运行定义方法的深度学习框架。训练网络的传统过程分为两个阶段：定义网络中数学运算（例如矩阵乘法和非线性激活）之间的固定连接，然后运行实际的训练计算。这称为定义并运行或静态图形方法。Theano 和 TensorFlow 是采用这种方法的著名框架。相反，在按运行定义或动态图方法中，当训练开始时，网络中的连接是不确定的。该网络是在训练期间根据实际计算确定的。
这种方法的优点之一是直观且灵活。如果网络具有复杂的控制流（例如条件和循环），则在定义和运行方法中，需要针对此类构造进行专门设计的操作。另一方面，在运行定义方法中，可以使用编程语言的本机结构（例如 if 语句和 for 循环）来描述这种流程。这种灵活性对于实现递归神经网络特别有用。
另一个优点是易于调试。在“定义并运行”方法中，如果训练计算中发生错误（例如数字错误），则通常很难检查故障，因为编写的代码定义了网络和实际位置。错误是分开的。在按运行定义方法中，您可以仅使用语言的内置调试器暂停计算，然后检查在网络代码上流动的数据。
自从 Chainer 引入以来，按运行定义已经流行起来，并且现在已在许多其他框架中实现，包括 PyTorch 和 TensorFlow。
扩展库
Chainer 具有四个扩展库，ChainerMN，ChainerRL，ChainerCV 和 ChainerUI。ChainerMN 使 Chainer 可以在多个 GPU 上使用，其性能明显优于其他深度学习框架。在 1024 个 GPU 上运行 Chainer 的超级计算机在 15 分钟内处理了 ResNet-50 网络上的 90 个 ImageNet 数据集，比 Facebook 以前的记录快了四倍。ChainerRL 添加了最先进的深度强化学习算法，而 ChainerUI 是一种管理和可视化工具。
应用程序
Chainer 用作 PaintsChainer 的框架，该服务可以在用户输入最少的情况下自动对黑白（仅线条）草图进行着色。
