---
title: "活性化関数（ReLU / Sigmoid / tanh）の役割とは？G検定対策"
description: "活性化関数を、ニューラルネットワークに非線形性を与えて複雑な関係を学習可能にする仕組みとして整理します。ReLU・Sigmoid・tanhの出力範囲、勾配消失や負値の扱いを比較し、中間層と出力層での用途を混同するG検定の選択肢を切り分けます。"
canonical_url: "https://stemtazoo.github.io/gk/activation-functions-role/"
section: "gk"
---

## 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
*