TensorFlow, Chainer y PyTorch
Etapa 4 · Aprendizaje profundo y modelos fundacionales (2012–2021) › Infraestructura e instituciones
- Linaje
- Máquinas y cómputo
- Tipo
- Implementación
Quién
Google Brain, Preferred Networks, Facebook AI Research
Qué ocurrió
Google publica TensorFlow con licencia libre el 9 de noviembre de 2015. Unos meses antes, la empresa japonesa Preferred Networks había lanzado Chainer, y en enero de 2017 Facebook publica PyTorch, que adopta su forma de programar redes.
Qué aportó
Las herramientas para construir y entrenar redes profundas pasan a ser libres y compartidas: el código de investigación de los grandes laboratorios se puede usar fuera de ellos.
Desarrollo
Desde 2011, Google Brain entrenaba sus redes con DistBelief, un sistema interno. Según Jeff Dean y Rajat Monga, servía solo para redes neuronales, era difícil de configurar y estaba tan atado a la infraestructura de Google que era casi imposible compartir el código de investigación. TensorFlow, su segunda generación, se publicó el 9 de noviembre de 2015 con la licencia libre Apache 2.0. Un mismo programa podía ejecutarse desde un teléfono hasta cientos de máquinas con miles de GPU.
En junio de 2015, Preferred Networks, de Tokio, había lanzado Chainer con otra idea. En TensorFlow había que definir la red completa antes de ejecutarla; en Chainer, la red se construye mientras se calcula, como un programa corriente de Python. Fue el primer entorno de aprendizaje profundo con este enfoque, llamado define-by-run, pensado para redes que no encajaban en los entornos hechos para las convolucionales, como las recurrentes.
PyTorch, desarrollado en Facebook AI Research a partir de la biblioteca Torch, se publicó en enero de 2017. Sus autores escribieron después que su diseño imperativo había sido iniciado por Chainer y DyNet, y que PyTorch lo extendía a todo el proceso de trabajo.
PyTorch y TensorFlow quedaron como dos de las bibliotecas de aprendizaje profundo más usadas, y en diciembre de 2019 la propia Preferred Networks pasó su desarrollo de Chainer a PyTorch.
Bibliografía
Fuente original
- TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems (arXiv:1603.04467) (se abre en una pestaña nueva). Martín Abadi y otros 39 autores (Google), 2016
Estudios y contexto
- TensorFlow: Google's latest machine learning system, open sourced for everyone (Google Research, 9 de noviembre de 2015) (se abre en una pestaña nueva). Jeff Dean y Rajat Monga, 2015
- Chainer: a Next-Generation Open Source Framework for Deep Learning. Taller LearningSys de NIPS 2015 (se abre en una pestaña nueva). Seiya Tokui, Kenta Oono, Shohei Hido y Justin Clayton, 2015
- PyTorch: An Imperative Style, High-Performance Deep Learning Library (arXiv:1912.01703, NeurIPS 2019) (se abre en una pestaña nueva). Adam Paszke, Sam Gross, Francisco Massa y otros 18 autores, 2019
- p. 2 (se abre en una pestaña nueva) El diseño imperativo, «iniciado por Chainer y DyNet».
Cómo citar
«TensorFlow, Chainer y PyTorch». En La historia de la IA, revisión del 13 de noviembre de 2026. https://thehistoryofai.com/es/hito/marcos-de-software
Última revisión de esta ficha: 13 de noviembre de 2026.