用語比較
プルーニングと量子化の違い｜接続の数を減らすか、1つあたりのビット数を減らすか（G検定・軽量化）
プルーニングは、ニューラルネットワークの接続の数を減らす手法です。量子化は、1つの接続を表すビット数を減らす手法です。
どちらも「モデルを小さくする」手法なので混同しやすく、何を減らすのかで区別します。数を減らすのがプルーニング、桁(ビット)を減らすのが量子化と覚えると、G検定の軽量化の選択肢を整理できます。
このページは、Han・Mao・Dallyの論文『Deep Compression』(arXiv:1510.00149)の要旨をもとに、減らすもの・論文の数字・再学習の役割で比べます。計算の例は、説明用の架空の数字です。
この記事の根拠と出典
各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。
結論
プルーニング
重要な接続だけを学習で残し、接続の数を減らす。論文では9倍から13倍に減った。
量子化
重みを量子化して共有し、各接続を表すビット数を減らす。論文では32ビットから5ビット。
組み合わせ
論文は、プルーニング、量子化、ハフマン符号化の順に組み合わせ、保存容量を35倍から49倍に減らした。
違いを表で確認
| 比較軸 | プルーニング | 量子化 |
|---|---|---|
| 減らすもの | プルーニング：接続の数 | 量子化：1つの接続を表すビット数 |
| 論文の数字 | プルーニング：接続の数が9倍から13倍に減る | 量子化：各接続のビット数が32から5に減る |
| やり方 | プルーニング：重要な接続だけを学習で残す | 量子化：重みを量子化して、重みの共有を強いる |
| 手順での順番 | プルーニング：1段階目 | 量子化：2段階目(3段階目はハフマン符号化) |
| 再学習 | プルーニング：量子化とあわせた最初の2段階のあとに、残った接続を微調整する | 量子化：同じ再学習で、量子化した代表値も微調整する |
G検定の学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
どこで迷っているかを切り分ける
どちらも「小さくする」手法だと覚えた人
論文は、プルーニングが接続の数を、量子化が各接続を表すビット数を減らすと書き分けています。選択肢に「接続の数」とあればプルーニング、「ビット数」とあれば量子化です。
論文の数字を聞かれる人
接続の数が9倍から13倍に減るのがプルーニング、ビット数が32から5に減るのが量子化です。保存容量全体が35倍から49倍に減ったのは、3段階を合わせた結果です。
AlexNetやVGG-16の数字を聞かれる人
AlexNetは240MBから6.9MB(35倍)、VGG-16は552MBから11.3MB(49倍)です。どちらも3段階の組み合わせの結果で、プルーニングだけの数字ではありません。
手順の順番を聞かれる人
論文の手順は、プルーニング、量子化、ハフマン符号化の順です。最初の2段階のあとに、微調整の再学習を行います。
具体例で使い分ける
例 1
重みの数とビット数から保存容量を概算する(架空のデータ)
接続が100万個あり、1つを32ビットで保存しているモデルがある。接続の位置の記録などは数えない、単純化した計算で考える。
- 元の容量は、100万個×32ビット＝3,200万ビットです。8ビットが1バイトなので、400万バイト、つまり約4MBです。
- プルーニングで接続を10倍減らして10万個にすると、10万個×32ビット＝320万ビットで、容量は10分の1になります。
- 量子化でビット数を32から5に減らすと、容量は5÷32、つまり約16%になります。両方を行うと、10万個×5ビット＝50万ビットで、元の64分の1です。
結論: 数を減らす効果とビット数を減らす効果は掛け算で効きます。この例の64倍は単純化した架空の数字で、論文の35倍から49倍とは別の数字です。
例 2
選択肢の文章から手法を見分ける(架空のデータ)
設問の選択肢に、「重要でない接続を取り除く」「重みを32ビットから5ビットで表す」の2つがある。
- 「重要でない接続を取り除く」は、接続の数を減らすので、プルーニングです。
- 「重みを32ビットから5ビットで表す」は、ビット数を減らすので、量子化です。
- 2つとも保存容量を減らしますが、減らす対象が違います。前者は数、後者は1つあたりの大きさです。
結論: 選択肢の主語が「接続」ならプルーニング、「ビット」なら量子化と見分けます。
問題文から答えを選ぶ手順
- 1
何を減らす話か見る
接続の数ならプルーニング、1つあたりのビット数なら量子化です。
- 2
数字を確認する
9倍から13倍は接続の数、32から5は1接続あたりのビット数です。
- 3
全体の話かを確認する
35倍から49倍は、プルーニング・量子化・ハフマン符号化の3段階を合わせた保存容量の数字です。
試験での見分け方
- 1接続の数を減らすのが、プルーニング。
- 21つの接続を表すビット数を減らすのが、量子化。
- 3保存容量の35倍から49倍は、3段階を合わせた結果。
- 4最初の2段階のあとには、微調整の再学習を行う。
誤答しやすい選択肢
35倍から49倍を、プルーニングだけの数字だと考える
修正: 論文では、プルーニングによる接続の減少は9倍から13倍です。35倍から49倍は、3段階を合わせた保存容量の数字です。
量子化は接続の数を減らすと考える
修正: 量子化が減らすのは、1つの接続を表すビット数です。接続の数を減らすのは、プルーニングです。
ハフマン符号化を、量子化の一部だと考える
修正: 論文は、プルーニング、学習済みの量子化、ハフマン符号化の3つを別の段階として並べています。
確認問題
Q1接続の数を、重要なものだけ残して減らす手法は？
答え: プルーニング
論文では、接続の数が9倍から13倍に減ります。
Q2各接続を表すビット数を32から5に減らす手法は？
答え: 量子化
重みを量子化して共有することで、ビット数を減らします。
Q3論文でAlexNetの保存容量は、何MBから何MBになった？
答え: 240MBから6.9MB(35倍)
3段階を合わせた結果です。VGG-16は552MBから11.3MB(49倍)です。
到達チェック
- プルーニングと量子化が減らすものを、書き分けられる
- 論文の数字(9〜13倍、32から5ビット、35〜49倍)が、どれを指すか言える
- 3段階の順番(プルーニング、量子化、ハフマン符号化)を言える
関連ページで確認する
同じ資格で次に知りたいこと
- 過学習と未学習の違い｜訓練誤差と検証誤差の組で見分ける（G検定・機械学習）
過学習と未学習の違いを、訓練誤差・訓練誤差とテスト誤差の差・モデルの容量・対処の向きで整理。訓練誤差と検証誤差の組から状態を判定する計算例と確認問題つき。G検定の機械学習の基礎の設問に使える。
- Pix2PixとCycleGANの違い｜ペアの画像が要るか、要らないか（G検定・画像変換）
Pix2PixとCycleGANの違いを、訓練データ(ペアの有無)・学習のしくみ(損失関数・循環一貫性損失)・向く課題で整理。ペアが作れるかから手法を選ぶ判定例と確認問題つき。G検定の生成モデルの学習に使える。
- RNNとLSTMの違い｜忘却ゲートで長期の記憶を保つ仕組み（G検定・ディープラーニング）
RNNとLSTMの違いを、勾配消失への強さ・内部の構造・ゲートの役割・パラメータ数で整理。0.9の20乗を使った勾配の減り方の計算例と確認問題つき。G検定の再帰型ニューラルネットワークの設問に使える。
よくある質問
Qプルーニングと量子化は、どちらを先に行う？
論文の手順は、プルーニング、量子化、ハフマン符号化の順です。最初の2段階のあとに、微調整の再学習を行います。
Q量子化で精度は落ちない？
論文は、3段階の組み合わせで、AlexNetもVGG-16も精度を損なわずに保存容量を減らしたと述べています。ほかのモデルや方法では確認していません。
Qなぜ軽量化が必要？
論文は、ニューラルネットワークは計算とメモリの負荷が大きく、ハードウェア資源が限られた組み込みシステムに載せにくいと述べています。
次に見る比較
- G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
- ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
- 紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。
執筆: ミナト編集部（運営者情報を見る）