G検定 用語解説
パディングとは
畳み込みの前に入力データの周囲へ値（多くは0）を追加する処理。出力される特徴マップが小さくなりすぎるのを防ぎ、入力の端の情報も扱えるようにする。
まず押さえる結論
パディングは、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）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
畳み込み演算で、入力データの周囲にあらかじめ値（0など）を追加しておく処理（パディング）の主な目的として、最も適切なものはどれか。
正解は「出力される特徴マップのサイズが小さくなりすぎるのを防ぎ、端の情報も扱えるようにする」である。パディングは、入力データの周囲に値（多くは0）を追加してから畳み込みを行う処理で、出力の特徴マップが小さくなりすぎるのを防ぎ、入力の端にある情報も適切に扱えるようにする目的がある。学習率の調整・ノイズ付与・メモリ計測とは無関係。設問の操作は畳み込み前に入力の周囲へ値を加えることなので、直接変わるのは特徴マップの大きさと端の扱いである。最適化設定、過学習の発生、計算資源の監視を目的とする処理ではない。
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227×227×3の画像で、フィルタの大きさ11×11、ストライド4、パディング0、フィルタ数96の畳み込み層を1つ通したとき、出力の大きさ（幅×高さ×奥行き）として正しいものはどれか。
正解は55×55×96。畳み込み層の出力の幅は、入力の幅をW1、フィルタの大きさをF、ストライドをS、ゼロパディングをPとして(W1－F＋2P)/S＋1で求める。W1＝227、F＝11、S＝4、P＝0を当てはめると(227－11＋0)/4＋1＝55になり、高さも同じ計算で55になる。奥行きは使うフィルタの数に等しいので96である。Stanford CS231nは、AlexNetの最初の畳み込み層をこの条件の例として挙げ、出力を[55×55×96]とする。奥行きが入力のチャネル数の3のままになることはなく、パディングなしのため入力と同じ227にもならない。
大項目5 ディープラーニングの要素技術 / 再帰型ニューラルネットワーク
RNNを時間方向に展開し、各時刻の出力誤差を過去の時刻へ伝えて重みを更新する学習方法はどれか。
正解は「BPTT」である。BPTT（Backpropagation Through Time）は、RNNを時間方向に展開し、系列の各時刻における誤差を過去の時刻へ伝播させて重みを更新する学習方法である。パディングやプーリング層は主に畳み込みニューラルネットワークで扱う概念、条件付きGANは生成モデルの一種であり、RNNの時間方向の誤差逆伝播を指すものではない。 誤差を伝える軸を見る。パディングは入力周囲の補完、プーリングは特徴マップの要約、Conditional GANは条件付き生成である。系列の計算グラフを時刻ごとに展開し、後の誤差を過去へ逆伝播する方法はBPTTである。
同じ章で確認したい用語
到達チェック
- パディング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、パディング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）