学習器 - リムナンテスは愉快な気分

学習部分のコードをがりがり書いていきますよ。
vocab_sizeは参考元だと「辞書」とやらを使っているがよくわからないライブラリの何かだと思われるんで、
今回は定数扱い（あとでnltkで書き直すかも）。

まずはSeq2Seqのインスタンスを作成、モデルの初期設定。

    # モデル(Seq2Seq)のインスタンス化
    model = Seq2Seq(vocab_size=VOCAB_SIZE,
                    embed_size=EMBED_SIZE,
                    hidden_size=HIDDEN_SIZE,
                    batch_size=BATCH_SIZE)
    # モデルの初期化
    model.reset()
    # GPU or CPU(今回はCPUのみ実装)
    ARR = np

    # 学習開始
    for epoch in range(EPOCH_NUM):
        # epochごとにoptimizerの初期化
        opt = optimizers.Adam()
        # modelをoptimizerにセット
        opt.setup(model)
        # 勾配調整
        opt.add_hook(optimizer.GradientClipping(5))

        # 学習データ読み込み
        data = # うまいこと読み込む
        # データのシャッフル
        random.shuffle(data)

optimizerというのは、（よくわからないんですが）パラメータ、勾配を勝手にいい感じに求めてくれるようなやつらしいです。とりあえず突っ込んでおきましょう。
Introduction to Chainer — Chainer 3.4.0 documentation

そして学習データをimportしたかったのですが、参考元のdataって具体的にどういう形式なんですかね、よくわからん。書いてほしかった。
とりあえず先に進んで、何をしているかだけ追うことにします。minibatchあたりで実際にencoder、decoderに入れて処理しようとしてたりするので、そこで判断したいと思います。

バッチ学習部をガリガリ書きますよ～

        # バッチ学習スタート
        for num in range(len(data)//BATCH_SIZE):
            # minibatch作成
            minibatch = data[num*BATCH_SIZE: (num+1)*BATCH_SIZE]
            # 読み込み用のデータ作成
            enc_words, dec_words = make_minibatch(minibatch)
            # 順伝搬で損失計算
            total_loss = forward(enc_words=enc_words,
                                 dec_words=dec_words,
                                 model=model,
                                 ARR=ARR)
            # 誤差逆伝搬で勾配計算
            total_loss.backward()
            # 計算した勾配を使ってネットワークを更新
            opt.update()
            # 記録された勾配を初期化
            opt.zero_grads()
        # epochごとにモデル保存
        serializers.save_hdf5(outputpath, model)