最終更新日:2026年10月19日
gk cnn cheatsheet
まず結論
CNNの学習で「構成要素の役割」「特徴マップの形」「数値計算」のどこを確認したいかを選ぶためのマップです。CNN自体の定義はCNNの基本で確認できます。
| 知りたいこと | 確認する先 | 注目する点 |
|---|---|---|
| CNNを他のモデルと区別したい | CNN | 局所受容野・重み共有 |
| フィルタを動かすと何が出るか | 畳み込み | 掛け算と総和・特徴マップ |
| フィルタ数と出力チャネルの関係 | 畳み込みの特徴マップ | 位置ごとの計算とチャネル数を分ける |
| 局所領域をどう縮約するか | プーリング | Max/Averageと学習パラメータ |
| 出力サイズ・パラメータ数を計算したい | CNN計算問題まとめ | フィルタ・チャネル・ストライド・パディング |
| 分類・検出・領域分割を見分けたい | 画像タスク総まとめ | 最後に何を出力するか |
構成要素をどこで使う?
| 処理の場面 | 確認する役割 | 固定の必須部品? |
|---|---|---|
| 局所特徴を抽出する | 畳み込みのフィルタ | CNNの中心となる処理 |
| 非線形性を加える | 活性化関数 | 具体的な関数や配置は設計による |
| 空間サイズを縮める | プーリング、ストライド付き畳み込みなど | プーリングが必須とは限らない |
| タスクに応じた出力を作る | 分類・検出・画素分類などの出力側 | 全結合層が必須とは限らない |
役割の一覧であり、すべてのCNNがこの順序・部品数を使うという固定レシピではありません。
G検定ひっかけポイント
- 同じフィルタを空間上の複数位置で使う → 重み共有。すべての層の重みが同じという意味ではない。
- 通常のMax/Average Pooling → 学習される重みはない。畳み込みの学習対象とは分ける。
- 出力が特徴マップ → 直ちに最終タスクが分類とは決まらない。
- フィルタ数・チャネル・出力サイズの数値が出た → 基本定義を繰り返すより、計算の手順を確認する。
まとめ(試験直前用)
- モデルの定義はCNN、局所演算は畳み込みで確認する
- 縮約処理はプーリング、形状・重みの計算は計算まとめへ進む
- 最終出力の違いは画像タスクのマップで確認する