前回まで，Chainerを構成する基本オブジェクトについて書いてきました．
今回からは，それらのオブジェクトを使って実際にニューラルネットワークを実装していきたいと思います．

ニューラルネット全体図

ニューラルネットワークを構成するプログラムを書く場合，その全体図は大まかに以下の5つから構成されます．

1.データの準備

モデルに学習させるためのデータを用意するプログラムです．文章だったり，画像だったり，音声だったり，データは色々とありますが，構築するニューラルネットワークに適したデータの形に加工します．

2.モデルの記述

Chainクラスを継承したクラスを記述します．
詳しいことはこちらを参照．

class MyChain(Chain):
    def __init__(self):
        super(MyChain, self).__init__(
            パラメータを含む関数の宣言
        )
    def __call__(self, x, y):
        損失（誤差）関数

3.最適化アルゴリズムの設定（SDGやAdamなど）

モデルの最適化（誤差を最小化）する処理を記述します．
詳しいことはこちらを参照

model = MyChain()
optimizer = optimizer.Adam()
optimizer.setup(model)

4.学習

指定した回数だけ学習を行います．ものによっては早期終了など行う場合がありますが，今回は単純にepoch（学習回数）を指定してあげます．勾配初期化からパラメータ更新まではほぼお約束のコードみたいです．

for epoch in range(繰り返し回数):
    model.zerograds()           #勾配初期化
    loss = model(train, target) #誤差計算
    loss.backward()             #勾配計算
    optimizer.update()          #パラメータ更新

結果の出力

学習結果のモデルを保存したり，テストを行ったりします．

次回からの方向性

一つの記事にあれこれ情報を詰め込みたくないので，次回から

1.データの準備
2.モデルの記述
3.最適化アルゴリズムの設定
4.学習
5.結果の出力

について小分けにして書いていきます．
今回はここまで

参考

山下隆義
イラストでわかるディープラーニング講談社
新納浩幸
Chainerによる実践深層学習～複雑なNNの実装方法～　オーム社

Chainerを用いた簡単なニューラルネットワーク実装

ニューラルネット全体図

次回からの方向性

参考