前回からChainerの基本オブジェクトについて，私が勉強したことを書いています．
今回はChainオブジェクトについて書いていきます．
#Chain
前々回はfunctionsオブジェクト，前回はlinksオブジェクトを紹介しましたが，今回のChainオブジェクトはそれらで提供される関数を合成してパラメータの推定を行います．その合成関数こそがモデルを表現しています．
まず，以下の図のような3層からなるニューラルネットワークを考えます．
第1層から第2層への変換はlinksオブジェクトの際に紹介したように
v = w_1x + b_1 ...(1)
で表現することができます．（vは第2層時点での変数の状態）
次に，第2層から第3層への変換は
y = w_2v + b_2 ...(2)
で表現することができます．
(1)(2)より，第1層から第3層への変換は
y = w_2(w_1x + b_1) + b_2 ...(3)
で表すことができます．
しかし，第2層には活性化関数をそれぞれのノードで適応する必要があります．
よって，(3)は
y = w_2δ(w_1x + b_1) + b_2
と表現されます．（δは活性化関数）
この関数はfunctionsとlinksの関数で表現することができます．
そのためにChainクラスを用います．
ここではChainクラスを継承したMyChainを使います．
まず，コンストラクタにて層から層への写像をlinksの関数によって列挙します．
class MyChain(Chain):
def __init__(self):
super(MyClass, self).__init__(
l1 = L.linear(4, 3),
l2 = L.linear(3, 3)
)
そして，順方向の計算，すなわち活性化関数の処理をメソッドとして定義します．
def forward(self, x):
return F.sigmoid(self.l1(x)):
そして，損失関数（誤差関数）を__call__に書きます．mean_squqred_errorは二乗誤差関数です．
def __call__(self, x, y):
result = self.forward(x)
loss = F.mean_squared_error(result, y)
return loss
これで誤差の計算まで行うことができます．
今回はここまで．
次回はoptimizersについて書きます．
#参考
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