プルーニング（Pruning）は重要ポイントを整理して理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk neural_network model_compression

G検定トップ ＞ プルーニング（Pruning）

まず結論

  • プルーニングは不要な重み・ニューロンを削除してモデルを軽量化する手法
  • モデル圧縮・推論高速化 が主目的
  • 学習後に適用されることが多い

直感的な説明

プルーニングは、

「ほとんど使われていない配線を切って、スリムにする」

イメージです。

学習済みニューラルネットワークには、

  • 出力にほとんど影響しない重み
  • ほぼ使われていないニューロン

が含まれています。

それらを 削除（剪定） することで、

  • 軽く
  • 速く
  • メモリ効率の良い

モデルにできます。

定義・仕組み

プルーニングとは

ニューラルネットワークにおいて、

  • 重みが小さいパラメータ
  • 重要度の低いニューロンや接続

を削除することで、

  • モデルサイズ削減
  • 推論速度向上

を実現する手法です。

主なプルーニングの種類

重みプルーニング

  • 絶対値の小さい重みを 0 にする
  • パラメータ数を直接削減

ニューロンプルーニング

  • 出力への寄与が小さいニューロンを削除

構造化プルーニング

  • チャネルやフィルタ単位で削除
  • 実装・高速化しやすい

いつ使う？（得意・不得意）

得意な場面

  • エッジデバイスへのモデル展開
  • 推論速度・省メモリが重要な場合
  • 学習済みモデルの後処理

注意点

  • 削除しすぎると 精度低下
  • 再学習（ファインチューニング）が必要なことが多い

G検定ひっかけポイント

  • ❌「学習中にランダムにニューロンを無効化する」→ Dropout
  • ❌「大きな重みにペナルティを課す」→ 正則化（Weight Decay）
  • ✅ プルーニングは モデル圧縮手法
  • ✅ 主に 学習後に適用

まとめ（試験直前用）

  • プルーニング＝不要な重み・ニューロンの削除
  • 目的は モデル軽量化・高速化
  • Dropout や 正則化とは役割が異なる

🔗 関連記事

🏠 G検トップに戻る