gk cnn neural_network cheatsheet
G検定トップ
＞ ResNet・DenseNet・EfficientNet 比較（G検定対策）
まず結論（試験はここだけ見ればOK）
- ResNet：勾配消失を防ぐ（スキップ接続）
- DenseNet：特徴量を再利用（全結合的な接続）
- EfficientNet：性能と計算量のバランス最適化
👉 G検定では 「何を解決したモデルか」 が最重要
直感的な違い
ResNet
近道を作って、学習を楽にする
- 層を飛び越える スキップ接続
- 深くしても学習できる
DenseNet
これまでの情報を全部使う
- 前の層の出力を すべて結合
- 特徴量の再利用が得意
EfficientNet
同じ計算量で、もっと賢く
- ネットワーク幅・深さ・解像度を 同時に最適化
- 少ない計算量で高精度
構造の違い（図なしで理解）
| モデル | 接続の特徴 | 主な工夫 |
|---|---|---|
| ResNet | スキップ接続 | 勾配消失対策 |
| DenseNet | 全結合的接続 | 特徴量再利用 |
| EfficientNet | スケーリング設計 | 計算効率向上 |
何が問題で、どう解決した？（頻出）
ResNet
- 問題：深くすると学習できない
- 解決：恒等写像（Identity） による勾配伝播
DenseNet
- 問題：情報が層ごとに失われる
- 解決：すべての層を結合
EfficientNet
- 問題：大きくすると計算量が爆増
- 解決：Compound Scaling
G検定ひっかけポイント
- ❌「ResNetは正則化手法」→ 誤り
- ❌「DenseNetはCNNではない」→ 誤り
- ❌「EfficientNetは層を増やしただけ」→ 誤り
超短縮 暗記フレーズ
- ResNet：近道（Skip）
- DenseNet：全部つなぐ
- EfficientNet：バランス設計
まとめ（試験直前用）
- ResNet → 深くする
- DenseNet → 情報を使い切る
- EfficientNet → 効率よく強くする
👉 次は 画像タスク総まとめ（分類・検出・セグメンテーション） に進むと全体像が完成
🔗 関連記事
- CLIP（画像とテキストの対応付けモデル）とは？G検定対策
- PaLM（大規模言語モデル）とは？G検定対策
- PaLM-E（環境対応マルチモーダルモデル）とは？G検定対策
- NISC・IPA・JPCERT/CC・CSIRTの違いまとめ【一発で切れるチートシート】
- TF-IDF・Word2Vec・BERTの違いとは？役割で整理するNLP基礎【G検定対策】
🏠 G検トップに戻る