¿Qué es mejor para el aprendizaje profundo: TensorFlow o Chainer?

Depende. Sin embargo, prefiero Tensorflow porque tiene muchos ejemplos de código. Bueno, acabo de usar chainer para la codificación LSTM hasta que se lanzó TensorFlow, así que no sé mucho sobre chainer.

Tensorflow

1. Muchas muestras de código.
2. El frontend de Keras habilita el estilo de programación similar a OOP
3. Buen rendimiento de CPU y HPC.
4. Soporte móvil
5. Visualización

Chainer

1. Mejor rendimiento de GPU y GPU que TensorFlow. (TensorFlow está optimizado para la arquitectura de TPU) Recientemente, Chainer se convirtió en el campeón mundial del rendimiento del centro de datos de GPU.
2. Buen apoyo japonés.
3. OOP como estilo de programación.

Tensorflow es la regla actualmente, de código abierto, buena documentación y muchos tutoriales, por lo que definitivamente gana el partido. Pero cuando se trata de la implementación para un principiante que comprende paso a paso los componentes básicos del aprendizaje profundo, la cuestión se refiere a la flexibilidad y al nivel de comprensión. Cuando trabajé en ambos marcos, lo que personalmente sentí es, permítanme tratar de explicar con un ejemplo, Aprender a conducir un automóvil

Chainer es como un “auto simple”, se adhiere al uso de un estilo de programación python muy básico y sencillo. Construye tus funciones personalizadas, el enfoque de sintaxis y sí definir por ejecución. Aprenderá a conducir un automóvil (comprender e implementar redes neuronales de una manera muy flexible), cuándo aplicar los descansos y todo eso.

Por otro lado, Tensorflow es sofisticado ‘el lujoso auto deportivo’ con su propio tablero y controles. Te encontrarás con sus paradigmas computacionales básicos, la interfaz de programación es un poco diferente. También tiene soporte para Android e iOS.

Déjame responderlo de manera diferente. Depende en cuanto a cuál es mejor. Si me preguntas incluso desde la perspectiva de la biblioteca de aprendizaje profundo optimizada basada en GPU, entonces diría que incluso tensorflow no es el líder. Pero ahora, cuando se trata de computación distribuida y CPU, sí, para los estudiantes, tensorflow es una biblioteca robusta y supongo que gran parte del desarrollo profesional también puede estar usando tensorflow. Pero déjenme decirles hasta ahora que en frambuesa pi, según mi experiencia, solo pude ejecutar chainer para el conjunto de datos mnist y me llevó 7 horas. Entonces, para un aficionado y alguien que quiere aprender Raspberry Pi Chainer puede ser una buena opción.

Bueno, si se trata de un software de código abierto respaldado y financiado por la empresa más versátil del mundo, creo que el tensorflow es difícil de superar en la escala como el mejor marco para las aplicaciones de aprendizaje automático / aprendizaje profundo. también ya que es compatible con todos los demás marcos (como keras) y se puede usar con herramientas de big data (como spark y hadoop) y especialmente allí la nueva versión 1.0 está eliminando casi toda la complejidad de la computación de tensor y otras cosas. así hasta ahora tensorflow es el líder por ahora.