Chainer - Python - 逻辑回归答案

【问题标题】：Chainer - Python - Logistic RegressionChainer - Python - 逻辑回归
【发布时间】：2018-02-24 12:09:16
【问题描述】：

我使用 Python 和 Chainer 创建了一个简单的逻辑回归模型，但我对最终结果并不完全满意。因此，我想得到一些帮助。一个限制：我不想用已经存在的功能交换已实现的功能。我知道 Chainer 中的损失函数几乎相同，但我正在创建的一个更复杂的模型是使用自定义损失函数。代码在这里：

我希望模型代码尽可能简洁，但正如您所见，call 方法是对 loss 方法的转发，我怀疑有一种更简洁的方法来调用训练循环中的损失方法。我认为如果 call 方法输出预测并且有一个单独的损失方法来计算损失会更干净。您对此有何看法？

我也不确定转换器功能。有没有更好的方法来达到同样的效果？

您对编写 Chainer 代码有什么意见或最佳实践吗？

提前致谢！

【问题讨论】：

【解决方案1】：

首先，您的主要问题是什么？分别定义损失函数和预测函数的最佳方法是什么？

我查看了您的代码，我认为init_scope 的功能在Link 和Chain 之间是不同的。为此，您不能使用它在 Chain 中注册可学习参数。（您当前使用的是Link，而不是Chain。）

在您的情况下，我认为您可以将chainer.links.Linear 用于您的LogisticRegressionModel，或者您可以定义自己的Link 类，该类具有可学习的参数W，并在您的LogisticRegressionModel.

【讨论】：

啊，谢谢。因此，如果我理解正确，链应该是链接的集合（作为 DAG），链接由可学习参数的集合组成（但不是其他链接）？因此您建议将线性链接放在 init_scope 中？我的主要问题是可以对代码进行哪些改进，现在已经回答了，谢谢:-)！
是的，我想是的！我猜你已经知道了，但是-t * F.log(y) - (1 - t) * F.log(1 - y) 可以替换为softmax 函数，1. / (1. + F.exp(-z)) 可以替换为sigmoid 函数。这些函数为此目的进行了优化，因此当您认真考虑性能时，最好只使用chainer库提供的函数。