chainer.Variable と chainer.Function

Chainerは、動的計算グラフ（Define-by-Run）を特徴とするPythonベースの機械学習フレームワークであり、その中核となるコンポーネントが chainer.Variable と chainer.Function です。これらはChainerの自動微分機能やモデル構築の基礎となる重要なデータ構造です。

---

1. chainer.Variable：計算グラフのノード（データと勾配を保持）

概要

Variable は、数値データ（主にNumPyまたはCuPyの配列）とその 勾配（微分値）を保持するためのコンテナです。計算グラフ上のノードとして機能し、順伝播と逆伝播の両方に関与します。

主な属性

• data: 実際の数値データ（NumPy または CuPy の配列）

• grad: 微分値（勾配）。逆伝播で自動的に計算される

• creator: そのVariableを生成したFunctionオブジェクト（計算グラフの構築に利用）

使用例

python
import chainer
import numpy as np

x = chainer.Variable(np.array([1.0, 2.0, 3.0], dtype=np.float32))

---

2. chainer.Function：計算ノード（順伝播と逆伝播を定義）

概要

Function は、Variable 間の計算を表すノードであり、順伝播と逆伝播のロジックを定義する抽象クラスです。たとえば加算、行列積、ReLUなどの処理が該当します。Functionの実装はforwardとbackwardメソッドを通じて行われます。

基本構造

• forward(inputs): 入力（Variableのdata）に基づく順伝播の計算

• backward(inputs, grad_outputs): 出力の勾配から入力の勾配を計算する

自作Functionの例

python
from chainer import Function

class Square(Function):
    def forward(self, inputs):
        x, = inputs
        y = x ** 2
        return y,

    def backward(self, inputs, grad_outputs):
        x, = inputs
        gy, = grad_outputs
        gx = 2 * x * gy
        return gx,

使用方法：

python
x = chainer.Variable(np.array([2.0], dtype=np.float32))
y = Square().apply((x,))[0]  # applyはVariableを受け取りVariableを返す
y.backward()
print(x.grad)  # [4.0]

---

3. Variable と Function の関係（計算グラフの構築）

• Variable はデータと勾配を保持

• Function は計算処理を行い、新たな Variable を生成

• このやり取りにより、動的に計算グラフが構築され、逆伝播時に creator をたどって自動微分が行われる

---

まとめ

この仕組みによって、Chainerは柔軟なネットワーク設計と効率的な自動微分機構を実現しています。