ChainerでXORを学習してみた。

Chainer でTrainerの使い方を学ぶためにXORを学習してみました。
入力データを作るところで躓いてしまいましたが、
[ ( [ 入力1 ] , ラベル1 ) , ( [ 入力2 ] , ラベル2) , ... , ( [入力N ], ラベルN) ]
のように整形したところうまくいきました。
Iteraterで各データセットごとに分けられ、更にUpdater内のConverterで入力とラベルに分けられているようです。

import chainer
from chainer import functions as F
from chainer import links as L
import numpy as np
from chainer.training import extensions

class MLP(chainer.Chain):
    def __init__(self):
        super(MLP,self).__init__()
        with self.init_scope():
            self.Affine1 = L.Linear(2,10)
            self.Affine2 = L.Linear(10,2) # ２値分類の時は，出力層を２，n値分類の場合はn個用意する

    def __call__(self,x):
        z1 = F.relu(self.Affine1(x))
        z2 = self.Affine2(z1)
        return z2


data = np.array([ [0,0], [0,1], [1,0], [1,1]], dtype='float32')
#target = np.array([[0,1],[1,0],[1,0],[0,1]], dtype = 'int32')
target = np.array([0,1,1,0], dtype = 'int32')
#分類問題の時，教師ラベルはone hot vectorでなく，分類数のint型の値とする必要が有る。
#すなわち，２値分類であれば[0 or 1], 3値分類の場合は[0 or 1 or 2]となる

dataset = chainer.datasets.TupleDataset(data, target)
train_iter = chainer.iterators.SerialIterator(dataset,4)
test_iter = chainer.iterators.SerialIterator(dataset,4,repeat = False,shuffle = False)

model = L.Classifier(MLP())

optimizer = chainer.optimizers.Adam(0.01).setup(model)
updater = chainer.training.StandardUpdater(train_iter,optimizer)


trainer = chainer.training.Trainer(updater,(500,'epoch'),out = 'result')
trainer.extend(extensions.LogReport())
trainer.extend(extensions.PrintReport(['epoch', 'main/loss', 'main/accuracy', 'test/loss', 'test/main/accuracy','elapsed_time']))
trainer.extend(extensions.Evaluator(test_iter, model))

trainer.run()