最終更新日:2026年9月25日
gk cnn transformer cheatsheet
まず結論
CNNは畳み込みによって近くの特徴を捉えるモデル、TransformerはAttentionによって入力要素同士の関係を捉えるモデルです。G検定では、モデル名や計算問題の有無より、何を使って関係を捉えるかで切り分けます。
| 観点 | CNN | Transformer |
|---|---|---|
| 中心となる仕組み | 畳み込み | Attention |
| 基本的な着目点 | 近くの領域の特徴 | 入力要素間の関係 |
| 画像への応用 | 画像分類・検出など | 画像をパッチに分けるViTなど |
| 計算を問われたとき | 出力サイズやフィルタ数を確認 | Attentionや系列長などの条件を確認 |
直感的な説明
CNNは、画像の上を小さな窓で順に見て、輪郭や模様などを取り出すイメージです。層を重ねることで、より広い範囲の特徴も扱えます。
Transformerは、文章の単語や画像のパッチを要素として、それぞれが他の要素とどう関係するかを見るイメージです。
定義・仕組み
- CNN:同じフィルタを各位置に適用して特徴マップを作ります。ストライドやパディングは出力サイズに影響します。
- Transformer:Self-Attentionで要素間の関係を計算します。位置情報を扱う仕組みも重要です。
- ViT:画像をパッチの列としてTransformerへ入力する例です。Transformerが文章専用というわけではありません。
Vision TransformerとSelf-Attentionも合わせて見ると、画像への応用と仕組みの違いが整理できます。
いつ使う?(得意・不得意)
画像の局所的な特徴を捉える説明ならCNN、要素間の関係をAttentionで扱う説明ならTransformerを疑います。ただし、どちらも画像に使えますし、両者を組み合わせたモデルもあります。画像なら必ずCNN、文章なら必ずTransformerとは決めません。
出力サイズを求める問題では、モデル名より入力サイズ・カーネル・パディング・ストライドなど、与えられた条件を先に確認します。Transformerにも計算対象はあるため、「Transformerの計算問題は出ない」とは判断しません。
G検定ひっかけポイント
- ❌ TransformerはCNNの改良版 → ⭕ 中心となる仕組みが異なる
- ❌ CNNは離れた位置の情報を扱えない → ⭕ 層を重ねるなどして広い範囲の情報を扱える
- ❌ Transformerは文章にしか使えない → ⭕ ViTなど画像への応用もある
- ❌ 計算問題なら必ずCNN → ⭕ 問題文の対象と条件を確認する
まとめ(試験直前用)
- CNN → 畳み込み・局所特徴
- Transformer → Attention・要素間の関係
- ViT → 画像パッチをTransformerで扱う
- 出題形式ではなく、仕組みと入力の扱いで切る