AI資格ドリル
資格を選ぶ↓

用語比較

CNNとRNNの違い

CNN（畳み込みニューラルネットワーク）とRNN（リカレントニューラルネットワーク）は、どちらもディープラーニングの要素技術として出てきますが、扱うデータの構造が違います。CNNは画像のような空間的なデータを扱い、RNNは時系列データのような順序を持つデータを扱います。

試験では、畳み込み層・プーリング層・フィルタ・カーネル・ストライド・パディングが出たらCNN、時系列データ・LSTM・GRU・双方向RNN・BPTTが出たらRNNと切り分けます。用途名の印象だけで即答しないようにします。

このページは、CNNとRNNをどちらも「ディープラーニングの応用」とまとめて覚えてしまい、どの語がどちらの手法を指すのか迷う人を対象にしています。扱うデータの構造と、中心となる処理（空間方向の特徴抽出か、時間方向の依存関係の保持か）を分けて、試験で見る語から判断する手順を整理します。

公式情報の確認

試験日、料金、申込条件、試験方式など変動する情報は、公式情報を最終確認してください。 当サイトの一次情報確認日: 2026-07-03。

用語の定義・試験での使われ方は、G検定の公式シラバスとの整合を確認したうえでの編集部の解説です。試験仕様は変更される場合があるため、受験前に公式情報を確認してください。

結論

CNN

画像のような空間的なデータについて、畳み込み層とプーリング層で局所的な特徴を抽出する。

RNN

時系列データについて、前の時刻の状態を引き継ぎながら順に処理する。

違いを表で確認

比較軸左側の概念右側の概念
扱うデータ画像のような空間的なデータ時系列データ
代表的な処理畳み込み層とプーリング層で特徴を抽出するLSTMやGRUで時間方向の依存関係を保持する
試験で見る語畳み込み層、プーリング層、フィルタ、カーネル、ストライド、パディング時系列データ、LSTM、GRU、双方向RNN、BPTT
ネットワークの流れ特徴を抽出したのち全結合層へつなげる過去の情報を状態として引き継ぎながら系列を順に処理する
学習上の論点空間方向の特徴抽出が中心BPTTで時間方向に誤差を伝える際、勾配消失問題が特に議論される

どこで迷っているかを切り分ける

CNNとRNNをどちらも「ディープラーニングの応用」とまとめて覚えている初学者

同じディープラーニングの要素技術として並んで出てきますが、扱うデータの構造が異なります。画像のような空間的なデータを畳み込み層・プーリング層で処理するならCNN、時系列データを前の時刻の状態を引き継ぎながら処理するならRNNです。用途名より先に、扱うデータの構造を確認します。

画像に使うか時系列に使うかを、用途例の印象だけで覚える人

「画像だからCNN」「時系列だからRNN」という対応自体は手掛かりになりますが、設問では処理の中心（フィルタ・カーネルで局所的な特徴を抽出しているか、前の状態を引き継いで系列を処理しているか）が問われます。用途名だけでなく、畳み込み・プーリングとLSTM・GRUという処理内容で判断してください。

勾配消失問題をCNNとRNNで同じように扱う再受験者

勾配消失問題は、RNNが時間方向に誤差を逆伝播するBPTTの文脈で特に議論される課題です。LSTMやGRUはこの課題を緩和するために考えられたゲート構造を持ちます。CNNの畳み込み・プーリングによる空間方向の特徴抽出とは、注目する処理の方向が異なる点を区別します。

具体例で使い分ける

例 1

画像データから局所的な特徴を抽出したい

画像のような空間的なデータについて、位置関係を保ったまま特徴を抽出したい場面です。

  1. 1.畳み込み層では、フィルタ（カーネル）を画像上でスライドさせながら局所的な特徴を抽出します。
  2. 2.プーリング層では、抽出した特徴の情報を圧縮し、位置のずれに対する頑健性を高めます。
  3. 3.ストライドやパディングは、フィルタの動かし方や出力サイズを調整する設定として扱います。

結論: 空間的なデータから局所的な特徴を抽出するので、CNNを選びます。

例 2

時系列データの依存関係を扱いたい

時系列データについて、過去の情報を踏まえて次の値を予測したい場面です。

  1. 1.RNNは、前の時刻の状態を引き継ぎながら、系列を順番に処理します。
  2. 2.LSTMやGRUは、長い時系列データでも情報を保持しやすくするためのゲート構造を持つモデルとして区別します。
  3. 3.双方向RNN（Bidirectional RNN）は、過去方向だけでなく未来方向の情報も使う場合に検討します。

結論: 時系列データの時間方向の依存関係を扱うので、RNNを選びます。

例 3

系列が長くなると学習が進みにくくなる

時系列データをRNNで学習させる際、系列が長くなるほど学習がうまく進まなくなる場面です。

  1. 1.RNNの学習では、BPTTという時間方向の誤差逆伝播を行います。
  2. 2.系列が長くなるほど、この過程で勾配消失問題が起きやすくなります。
  3. 3.LSTMやGRUのゲート構造は、情報をどれだけ保持・忘却するかを制御し、この課題を緩和する方向で働きます。

結論: 時間方向の学習で起きる課題として、RNN側の対策（LSTM・GRU）を検討します。

問題文から答えを選ぶ手順

  1. 1. データの構造を確認する

    画像のような空間的なデータか、時系列のような順序を持つデータかを先に確認します。用途名より構造を優先します。

  2. 2. 中心となる処理を確認する

    畳み込み層・プーリング層による特徴抽出ならCNN、前の状態を引き継ぐ処理ならRNNを疑います。

  3. 3. 試験で見る語を拾う

    フィルタ、カーネル、ストライド、パディングが出たらCNN、時系列データ、LSTM、GRU、双方向RNN、BPTTが出たらRNNです。

  4. 4. 学習上の課題を確認する

    時間方向の逆伝播であるBPTTで勾配消失問題が挙がるならRNNの文脈、空間方向の特徴抽出が中心ならCNNの文脈として区別します。

試験での見分け方

  • 画像のような空間的なデータを扱うならCNNを疑う。
  • 時系列データを扱うならRNNを疑う。
  • フィルタ、カーネル、ストライド、パディングが出たらCNN。
  • 時系列データ、LSTM、GRU、双方向RNN、BPTTが出たらRNN。
  • 勾配消失問題は、RNNのBPTTの文脈で特に議論される課題として扱う。
  • 畳み込み・プーリングと、LSTM・GRUを、手法名だけで置き換えない。

誤答しやすい選択肢

CNNとRNNをどちらも画像処理向けと覚える

修正: CNNは空間的なデータ、RNNは時系列データを扱う手法として区別します。

畳み込み層とプーリング層を同じ処理と考える

修正: 畳み込み層はフィルタ（カーネル）で特徴を抽出し、プーリング層はその情報を圧縮する、別の処理として区別します。

LSTMとGRUを別の学習方式と考える

修正: どちらもRNNを改良したゲート構造を持つモデルで、長い時系列データでも情報を保持しやすくする点で目的は同じです。

勾配消失問題をRNNだけの欠陥と決めつける

修正: BPTTという時間方向の逆伝播の文脈で特に議論される課題として説明します。

確認問題

Q1.フィルタ（カーネル）をスライドさせて画像の局所的な特徴を抽出する層は？

答え: 畳み込み層

畳み込み層はフィルタを画像上でスライドさせて特徴を抽出します。抽出した情報を圧縮するプーリング層とは別の処理です。

Q2.時系列データについて、前の時刻の状態を引き継ぎながら順に処理するネットワークは？

答え: RNN（リカレントニューラルネットワーク）

RNNは系列データを順番に処理し、前の状態を引き継ぎます。画像の空間的な特徴を抽出するCNNとは扱うデータが異なります。

Q3.長い時系列データでも情報を保持しやすくするため、RNNにゲート構造を追加したモデルは？

答え: LSTMやGRU

LSTMやGRUは、BPTTの過程で起きやすい勾配消失問題を緩和する方向で働くゲート構造を持ちます。

到達チェック

  • ✓CNNとRNNを、扱うデータの構造（空間的データか時系列データか）で説明できる
  • ✓畳み込み層、プーリング層、フィルタ、カーネル、ストライド、パディングの役割を言える
  • ✓LSTM、GRU、双方向RNNがRNNのどのような処理に対応するか説明できる
  • ✓BPTTと勾配消失問題の関係を言える
  • ✓用途例だけでなく、処理の構造でCNNとRNNを選べる

関連ページで確認する

CNNを個別に確認畳み込み層・プーリング層の役割と関連問題を確認する。LSTM／GRUを個別に確認RNNを改良したゲート構造の役割を確認する。ディープラーニングの要素技術の章を読むCNN・RNNの要素技術を収録問題の解説で確認する。G検定問題要素技術を含む出題範囲を横断して演習する。適合率と再現率の違いネットワーク構造の違いとあわせて、モデル評価の指標も確認する。

よくある質問

CNNとRNNはどちらもディープラーニングの応用？

どちらもディープラーニングの要素技術です。CNNは空間的なデータ、RNNは時系列データを扱う点で使い分けます。

画像にはCNN、時系列データにはRNNと用途だけで覚えていい？

手掛かりにはなりますが、試験では畳み込み・プーリングによる特徴抽出か、LSTM・GRUによる時間方向の依存関係の保持かという処理内容で確認します。

LSTMとGRUの違いは？

どちらもRNNの勾配消失問題を緩和するためのゲート構造を持つモデルという点は共通しますが、内部のゲート構成が異なります。

勾配消失問題はCNNでも起きる？

この記事では、時間方向の逆伝播であるBPTTを行うRNNの文脈で特に議論される課題として扱います。空間方向の特徴抽出が中心のCNNとは、処理の方向が異なります。

双方向RNNはどんな場面で使う？

過去方向だけでなく未来方向の情報も含めて時系列データを処理したい場面で検討します。通常のRNNとの違いは、参照する方向が両方向になる点です。

シェア:XでシェアLINEでシェア

執筆: ミナト編集部（運営者情報を見る）