最終更新日:2026年10月19日
gk neural_network cnn
まず結論
CNN(Convolutional Neural Network)は、畳み込みによって局所的なパターンを抽出し、同じフィルタを空間上で共有するニューラルネットワークです。
ここではCNNを特徴付ける局所受容野と重み共有を理解します。構成要素や計算の確認先を選びたい場合はCNN学習マップへ進めます。
G検定では、
- 局所受容野
- 重み共有
- 畳み込み
を最優先で押さえます。
直感的な説明
1枚の画像全体へ別々の重みを用意するのではなく、小さなフィルタを位置を変えながら適用します。
同じ特徴検出器を画像のさまざまな位置で使えるため、空間構造を効率よく扱えます。
定義・仕組み
畳み込み
局所領域へフィルタを適用し、特徴マップを作ります。
重み共有
同じフィルタを複数位置で使います。
Pooling
空間サイズを縮小する代表的方法ですが、すべてのCNNで必須ではありません。
ストライド付き畳み込みなどを使う設計もあります。
全結合層
分類ヘッドで使われることがありますが、Global Average Poolingなどを使う構成もあるため、CNN=必ず全結合層を持つとは限りません。
いつ使う?(得意・不得意)
画像が代表的ですが、
- 音声スペクトログラム
- 時系列
- 1次元信号
などにも畳み込みは利用されます。
したがって、CNNを「画像専用」と覚えないようにします。
G検定ひっかけポイント
CNN=画像専用?
❌ 画像以外には使えない
⭕ 局所構造を持つさまざまなデータに利用可能
Pooling必須?
❌ すべてのCNNに必要
⭕ 構成による
重要キーワード
- 局所受容野
- 重み共有
- 畳み込み
まとめ(試験直前用)
- CNN=畳み込みニューラルネットワーク
- 局所受容野
- 重み共有
- 画像で代表的
- Poolingや全結合層は必須ではない
- 画像専用と決めつけない
参考資料(原論文)
- Gradient-Based Learning Applied to Document Recognition|IEEE
- LeCunら(1998)。畳み込みニューラルネットワークを文字認識へ適用した代表的な一次資料です。局所受容野や重み共有を使うCNNの基本的な考え方を確認できます。