G検定 用語解説
入力層とは
ニューラルネットワークで外部から与えられたデータを最初に受け取る層。ニューロンの数は入力データの特徴量の数に対応する。
まず押さえる結論
入力層は、G検定の「大項目4 ディープラーニングの概要」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×勾配消失問題と勾配爆発の混同、およびReLUなど活性化関数による緩和の役割。
×局所最適解・大域最適解・鞍点の区別（鞍点はある方向に極小・別方向に極大）。
×誤差逆伝播法（バックプロパゲーション）と勾配降下法の役割の取り違え。
関連する確認問題
大項目4 ディープラーニングの概要 / 活性化関数と過学習対策
入力を0〜1の範囲になめらかに変換するS字型（シグモイド型）の活性化関数で、層を深くすると勾配消失を起こしやすいことでも知られるものはどれか。
正解は「シグモイド関数」である。シグモイド関数は、入力を0〜1の範囲になめらかに変換するS字型の活性化関数である。微分値が小さいため、層を深くすると入力層に近い層で勾配がほとんど伝わらなくなる勾配消失を起こしやすい。ReLU関数はこの問題を起こしにくくした関数、ソフトマックス関数は多クラス分類の確率化に用いる関数、恒等関数は入力をそのまま出す関数であり、いずれもS字型で勾配消失を起こしやすいという本問の特徴には当たらない。出力範囲が0〜1のS字型であることと、層を深くすると勾配消失を起こしやすいことの2条件を同時に満たす関数はシグモイド関数だけである。
大項目4 ディープラーニングの概要 / 学習の仕組み
ニューラルネットワークの出力誤差を出力層側から入力層側へ伝え、各重みの更新に必要な勾配を求める方法はどれか。
正解は「誤差逆伝播法（バックプロパゲーション）」である。誤差逆伝播法は、出力誤差をネットワークの後ろから前へ伝えて各重みに対する勾配を計算する方法である。早期終了は過学習対策、PCAは次元削減、シルエット分析はクラスタリング結果の評価に使う方法であり、重みの勾配を逆方向に計算する方法ではない。 判断の軸は、誤差を伝える方向と求める量である。学習を打ち切る早期終了、次元を減らすPCA、クラスタリングを評価するシルエット分析ではなく、出力層側から誤差を伝えて勾配を計算する誤差逆伝播法を選ぶ。
大項目4 ディープラーニングの概要 / ニューラルネットワークの基礎
ニューラルネットワークで、入力を受け取る層、特徴を変換する層、最終結果を出す層の組み合わせとして正しいものはどれか。
正解は「入力層・隠れ層・出力層」である。ニューラルネットワークは、入力層でデータを受け取り、隠れ層で特徴を変換し、出力層で予測結果を出す構造として説明される。生成器と識別器はGAN（敵対的生成ネットワーク）を構成する2つのネットワーク、畳み込み層やプーリング層はCNN（畳み込みニューラルネットワーク）の構成要素、訓練データやテストデータの組み合わせはモデルを学習・評価するためのデータ分割の手法であり、いずれもニューラルネットワークの層の名称ではない。層の名称か、別モデルの構成要素か、データ分割の手法かという役割の違いで見分けると、入力層・隠れ層・出力層だけが問われた3層構成に当たる。
同じ章で確認したい用語
到達チェック
- 入力層を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、入力層に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）