---
title: "LeNetとは？【G検定対策】"
description: "LeNetについて、畳み込み層・サブサンプリング層・全結合層からなる基本構造、局所受容野と重み共有、教師あり学習と誤差逆伝播の役割を整理します。ネオコグニトロンやAlexNetとの違いも比較し、G検定でCNNの発展史を見分けます。"
canonical_url: "https://stemtazoo.github.io/gk/lenet/"
section: "gk"
---

## まず結論

* **LeNet**とは、Yann LeCunらが開発した初期の畳み込みニューラルネットワークで、手書き数字認識に用いられました。
* 代表的な**LeNet-5**は1998年に発表され、畳み込み・サブサンプリング・全結合という、現代CNNにつながる基本構造を示しました。

## 直感的な説明

LeNetは、画像全体を一度に覚えるのではなく、

1. 小さな範囲から線や角を見つける
2. 特徴を少し圧縮する
3. 特徴を組み合わせて数字を判定する

という流れで画像を認識します。

たとえば手書きの「8」なら、

* 曲線
* 上下の輪
* 輪郭のつながり

を段階的に捉え、最後に「8らしい」と判断します。

## 定義・仕組み

LeNet-5は、主に次の層を組み合わせた構造です。

### 畳み込み層

画像の小さな領域を見て、線や角などの局所的な特徴を抽出します。

ここでは、

* **局所受容野**：画像全体ではなく一部分を見る
* **重み共有**：同じフィルタを画像の別の場所でも使う

という考え方が重要です。

重み共有により、必要なパラメータ数を抑えながら、画像内のどこにある特徴でも検出できます。

### サブサンプリング層

特徴マップを小さくまとめます。
現代CNNのプーリング層に近い役割です。

* 計算量を減らす
* 少しの位置ずれに強くする

という効果があります。

### 全結合層

抽出した特徴を組み合わせ、最終的なクラスを判定します。

LeNetは正解ラベルを使う**教師あり学習**で学習し、誤差を前の層へ伝える**誤差逆伝播法**を用います。

## いつ使う？（得意・不得意）

### 得意

* 手書き数字や文字の認識
* 小規模で比較的単純な画像分類
* CNNの基本構造を学ぶ
* CNNの発展史を理解する

### 不得意・注意点

* ImageNetのような大規模で複雑な画像認識
* 非常に深い特徴表現が必要な問題
* 高解像度画像を扱う現代的なタスク

LeNetは現在の大規模画像認識にそのまま使うというより、CNNの基礎を理解するために重要なモデルです。

## G検定ひっかけポイント

### LeNetとネオコグニトロン

* **ネオコグニトロン**：S細胞・C細胞、CNNの原型、誤差逆伝播が中心ではない
* **LeNet**：畳み込み・サブサンプリング・全結合、教師あり学習、誤差逆伝播

「手書き数字認識」「誤差逆伝播」ならLeNetです。
「S細胞・C細胞」ならネオコグニトロンです。

### LeNetとAlexNet

* **LeNet**：小規模な手書き数字認識、初期CNN
* **AlexNet**：大規模画像認識、2012年のImageNetで注目

AlexNetの特徴である、

* ReLU
* Dropout
* GPUを使った大規模学習

をLeNetの説明として選ばないようにします。

### 年代の整理

LeNetには複数の発展段階があります。
初期研究は1980年代末から続き、代表的なLeNet-5は1998年に発表されました。

したがって、試験では単一の年だけを暗記するより、

> ネオコグニトロンの後、AlexNetより前

という位置づけを押さえると安全です。

## まとめ（試験直前用）

* LeNetはYann LeCunらによる初期CNN
* 代表的なLeNet-5は1998年
* 畳み込み・サブサンプリング・全結合で構成
* 教師あり学習と誤差逆伝播を用いる
* 「手書き数字・初期CNN・LeCun」ならLeNet