活性化関数（ReLU / Sigmoid / tanh）の役割はG検定対策を理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk neural_network

G検定トップ ＞ 活性化関数（ReLU / Sigmoid / tanh）の役割とは？G検定対策

まず結論

  • 活性化関数の役割は、ニューラルネットワークに「非線形性」を与えることです。
  • G検定では「なぜ必要か」「ReLU・sigmoid・tanhの違い」がよく問われます。

直感的な説明

  • 活性化関数がないと、 ニューラルネットワークはどれだけ層を重ねても直線の組み合わせにしかなりません。
  • 活性化関数は、 出力を曲げるスイッチのような役割を持ちます。

👉 この「曲がり」があるから、 XORのような複雑な問題を解けるようになります。

定義・仕組み

  • ニューロンでは、

    1. 重み付き和を計算
    2. 活性化関数に通す という処理を行います。

  • 代表的な活性化関数：

Sigmoid

  • 出力範囲：0〜1
  • 確率として解釈しやすい
  • 欠点：勾配消失が起きやすい

tanh

  • 出力範囲：-1〜1
  • Sigmoidより勾配が大きい
  • それでも勾配消失の問題あり

ReLU

  • 出力範囲：0以上
  • 計算が簡単
  • 勾配消失が起きにくい
  • 現在最もよく使われる

いつ使う？（得意・不得意）

関数 主な用途 注意点
Sigmoid 出力層（二値分類） 中間層では使われにくい
tanh 旧来の中間層 深い層では不利
ReLU 中間層（主流） Dead ReLU に注意

G検定ひっかけポイント

  • ❌ 活性化関数は出力を制限するためだけのもの → 誤り

  • ⭕ 非線形性を導入するため → 正解

  • ❌ 層を増やせば活性化関数はいらない → 誤り

  • ReLUは

    • 勾配消失を完全に防ぐ → ❌
    • 勾配消失を起こしにくい → ⭕

まとめ（試験直前用）

  • 活性化関数の役割は非線形性の導入
  • 非線形がないとXORは解けない
  • Sigmoid / tanh は勾配消失しやすい
  • ReLUは現在の主流
  • G検定では「なぜ必要か」を答えられることが重要 *

🔗 関連記事

🏠 G検トップに戻る