G検定 用語解説
畳み込み層とは
フィルタ（カーネル）と呼ばれる小さな重みの窓を入力データ上で移動させながら適用し、エッジや模様などの局所的な特徴を抽出する層。
畳み込み層の意味と見分け方
畳み込み層は、G検定の「大項目5 ディープラーニングの要素技術」に出てくる用語です。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。
試験概要（公式）比較記事でさらに確認する
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
「大項目5 ディープラーニングの要素技術」の問題で、取り違えやすい組み合わせです。
- CNN（画像・畳み込み/プーリング）とRNN（時系列・系列データ）の使い分けを取り違える。
- LSTMとGRUのゲート数を混同する（LSTM＝3ゲート＋記憶セル、GRU＝2ゲートに簡略化）。
- 最適化手法を取り違える（モメンタム＝慣性、AdaGrad/RMSProp＝適応学習率、Adam＝両方）。
関連する確認問題
大項目5 ディープラーニングの要素技術 / 畳み込みニューラルネットワーク
入力が32×32×3の画像に、大きさ3×3のフィルタを12個使う畳み込み層で、フィルタの重みをすべての位置で共有するとき、重みの数（バイアスを除く）はいくつか。
正解は324。パラメータを共有する畳み込み層では、1つのフィルタが持つ重みは(高さ×幅×入力の奥行き)個で、ここでは3×3×3＝27個になる。これにフィルタ数12を掛けた324個が重みの数で、バイアスは別にフィルタごとに1個、合計12個で、全体は336個になる。比べると、入力のすべての値を出力の32×32×12＝12,288個のすべてへつなぐ全結合なら、重みは3,072×12,288＝37,748,736個になり、畳み込みの共有で大きく減ることが分かる。
大項目5 ディープラーニングの要素技術 / 畳み込みニューラルネットワーク
Stanford CS231nの出力の幅の式で、入力の幅10、フィルタの大きさ3、パディング0、ストライド2を当てはめたときの扱いとして、正しいものはどれか。
正解は、4.5になり割り切れないため設定として成り立たない、である。出力の幅は(入力の幅−フィルタの大きさ+2×パディング)÷ストライド+1で、(10−3+0)÷2+1＝4.5になる。フィルタを置ける位置の数は整数でなければならないので、CS231nはこの設定を不適切とする。この場合はストライドかパディングを変えて割り切れるようにする。式の結果が整数になるかを確かめることが、畳み込み層の設計の第一歩になる。ストライドを1にすれば(10−3+0)÷1+1＝8となり、この入力でも整数の出力の幅が得られる。
大項目5 ディープラーニングの要素技術 / 畳み込みニューラルネットワーク
畳み込みニューラルネットワークのプーリング層の説明として、Stanford CS231nの記述に合うものはどれか。
正解は、各奥行きの断面ごとに独立して空間の大きさを縮める固定の関数で、学習するパラメータを持たない、である。Stanford CS231nは、プーリング層が空間の大きさを縮めてパラメータと計算量を減らし、過学習を抑える役割を持つと説明する。奥行きは変わらず、パラメータは持たない。また、プーリング層ではゼロパディングを通常は使わない。畳み込み層と比べると、畳み込み層は学習するフィルタの重みを持ち、奥行きがフィルタ数で決まるのに対して、プーリング層は学習せず奥行きを変えない。この違いで2つの層の役割を区別できる。
同じ章で確認したい用語
到達チェック
- 畳み込み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、畳み込み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: AI資格ドリル編集部（運営者情報を見る）