損失関数（F.mean_squared_error, F.softmax_cross_entropy など）

Chainerにおける**損失関数（loss function）**は、モデルの出力と正解ラベルとの差を数値として定量化し、ネットワークの重みをどのように更新するかを決定するために使用されます。Chainerでは、損失関数は通常 chainer.functions モジュール（F としてインポートされることが多い）に定義されており、微分可能であることが特徴です。以下に代表的な損失関数を解説します。

---

1. F.mean_squared_error（平均二乗誤差）

用途

主に回帰タスク（数値予測）に用いられる損失関数です。

数式

$$\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i – \hat{y}_i)^2$$

• $y_i$: 正解値（教師データ）

• $\hat{y}_i$: モデルによる予測値

使用例

python
import chainer.functions as F

loss = F.mean_squared_error(y_pred, y_true)

---

2. F.softmax_cross_entropy（ソフトマックス交差エントロピー）

用途

分類タスク（特に多クラス分類）に用いられる損失関数です。モデルの出力（ロジット）に対してソフトマックス関数を適用したうえで交差エントロピーを計算します。

数式（簡略表現）

$$\text{Loss} = – \sum_{i=1}^{n} t_i \log(\text{softmax}(y_i))$$

• $y_i$: モデルの出力（ロジット）

• $t_i$: 正解ラベル（整数ラベル）

Chainerでは、内部で自動的に softmax を適用するため、ロジットを直接渡すだけでよい点が特徴です。

使用例

python
import chainer.functions as F

loss = F.softmax_cross_entropy(y_pred, y_true)

• y_pred：ロジット（shape: (batch_size, num_classes)）

• y_true：正解ラベル（shape: (batch_size,)、整数）

---

3. その他の損失関数の例

F.sigmoid_cross_entropy

• 2クラス分類（バイナリ分類）に使用。

• 出力に sigmoid を適用したあと交差エントロピーを計算。

python
loss = F.sigmoid_cross_entropy(y_pred, y_true)

F.hinge_loss

• SVMなどで使用されるヒンジ損失。

• マージンベースの分類に適用。

python
loss = F.hinge_loss(y_pred, y_true)

---

損失関数の役割まとめ

• 損失関数はモデルの予測と実際のラベルとの誤差を数値として表す。

• 学習時には loss.backward() を用いて逆伝播を行う。

• 損失関数は学習の進み具合を評価する重要な指標であり、選択する関数はタスクの種類（分類・回帰）によって異なる。