G検定 用語解説
カーネルとは
畳み込み層で入力データの局所領域に適用され、エッジなどの特徴を抽出するために使う小さな重みの行列。フィルタとも呼ぶ。
まず押さえる結論
カーネルは、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。 一次情報確認日: 2026-10-02。
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
CNNで、入力画像の局所領域に同じ小さな重み行列を滑らせ、エッジなどの特徴を抽出する処理に関係するものはどれか。
正解は「フィルタ（カーネル）」である。フィルタ（カーネル）は、CNNで画像の局所領域に適用され、エッジなどの特徴を抽出する畳み込み処理に関係する。全結合層は特徴をまとめて出力へ接続する層、位置エンコーディングはTransformerで順序情報を与える仕組み、方策勾配法は強化学習の手法である。 ネットワーク部品が使われる位置を区別する。全結合層は抽出済み特徴を統合し、位置エンコーディングは系列順序を与え、方策勾配法は強化学習の更新手法である。画像上を走査して局所的な積和を計算するのはフィルタである。
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
KerasのConv2D層でpadding="same"、strides=1としたとき、出力の高さと幅は入力に対してどうなるか。
正解は「入力と同じ大きさになる」である。Keras公式ドキュメントでは、padding="same"は入力の左右または上下に均等にパディングを入れ、strides=1のとき出力が入力と同じ大きさになると説明される。出力の大きさを入力にそろえたいときは、padding="same"にしてstrides=1にすると覚えておくとよい。ただしstridesを2以上にすると、sameでも出力は入力より小さくなる。一方、paddingを指定しない既定値の"valid"ではパディングが入らないため、カーネルが1より大きいと出力は入力より小さくなる。
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
KerasのConv2D層でpaddingを指定しなかったときの既定値"valid"の動作として、正しいものはどれか。
正解は「パディングを行わない」である。Keras公式ドキュメントでは、paddingは"valid"か"same"のどちらかで、"valid"はパディングなしを意味し、これが既定値である。パディングがないため、カーネルの大きさが1より大きければ出力は入力より小さくなる。paddingの選択肢は"valid"と"same"の2つだけである。出力の大きさを保ちたい場合は、既定値のままにせず、明示的にpadding="same"を指定する必要がある。
同じ章で確認したい用語
到達チェック
- カーネル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、カーネル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）