chainer.Link と chainer.Chain

Chainerにおいて、ニューラルネットワークを柔軟に構築するための重要な構成要素が chainer.Link と chainer.Chain です。これらはChainerのモデル定義における基本単位であり、階層的にニューラルネットワークを組み立てることを可能にします。

---

1. chainer.Linkとは

chainer.Link は学習可能なパラメータ（重みやバイアス）を持つレイヤーや関数の基本クラスです。

特徴:

• パラメータの保持と登録が可能です。

• __init__() 内で self.add_persistent() や self.add_param() を使用してパラメータを登録します。

• 通常、forward()（または __call__()）をオーバーライドして、入力から出力を計算します。

例:

python
import chainer
import chainer.functions as F
import chainer.links as L

class MyLinear(chainer.Link):
    def __init__(self, in_size, out_size):
        super(MyLinear, self).__init__()
        with self.init_scope():
            self.W = chainer.Parameter(initializer=chainer.initializers.Normal(), shape=(out_size, in_size))
            self.b = chainer.Parameter(initializer=0, shape=(out_size,))

    def __call__(self, x):
        return F.linear(x, self.W, self.b)

---

2. chainer.Chainとは

chainer.Chain は複数の Link を**まとめて構造化（階層化）**するためのクラスです。すなわち、ネットワーク全体（またはサブネット）を構成するためのコンテナのような役割を果たします。

特徴:

• Link オブジェクトを self.add_link() または with self.init_scope(): ブロックで登録します。

• __call__() メソッドを定義し、複数のリンクを順に適用する形でネットワークの計算を記述します。

• 再帰的に Chain を入れ子にすることも可能です（Chain の中に別の Chain を入れる）。

例:

python
class MyMLP(chainer.Chain):
    def __init__(self, n_input, n_hidden, n_output):
        super(MyMLP, self).__init__()
        with self.init_scope():
            self.l1 = L.Linear(n_input, n_hidden)
            self.l2 = L.Linear(n_hidden, n_output)

    def __call__(self, x):
        h = F.relu(self.l1(x))
        return self.l2(h)

この MyMLP クラスは、入力層、隠れ層、出力層からなるシンプルな2層MLPを定義しています。

---

補足: ChainList との違い

Chainerには chainer.ChainList というクラスもあり、これは同種の複数の Link を順に保持するのに適しています（たとえばCNNのフィルタ層など）。一方、Chain は名前付きの複数の異なるリンクを保持する場合に向いています。

---

まとめ

---

chainer.Link と chainer.Chain を理解し使いこなすことで、Chainerで柔軟かつ強力なニューラルネットワークモデルを構築できます。