【G検定過去問風テスト】畳み込み層と全結合層の性質・パラメータ比較
※本記事では、アフィリエイトプログラムより教材を紹介しています。
📝 問題
全結合層と比較した際の「畳み込み層」の特徴に関する記述として、最も不適切な選択肢を1つ選べ。
- A）入力データを平坦化（1次元化）せず、縦・横・チャンネルといった空間構造（位置情報）を保持したまま処理できる。
- B）画像全体に対して同じフィルタ（重み）をスライドさせて適用する「重み共有」を行うため、全結合層に比べてパラメータ数を小さく抑えられる。
- C）入力画像データ内のすべてのノードが全ノードと相互に結合する構造を持つため、過学習を起こしやすい傾向がある。
- D）受容野（局所受容野）と呼ばれる部分的な領域にのみ注目して特徴抽出を行うため、画像の位置ズレに対して比較的強い性質を持つ。
🔍 ここをクリックして正解を見る
- 正解: C）入力画像データ内のすべてのノードが全ノードと相互に結合する構造を持つため、過学習を起こしやすい傾向がある。
💡 合格に近づく！徹底解説
- 重要度: ★★★
■ 1分で分かる！この問題の要点
- 畳み込み層は「局所的な結合（局所受容野）」と「同じフィルタの使い回し（重み共有）」が特徴。
- パラメータ数が非常にコンパクトに抑えられるため、全結合層に比べて過学習（オーバーフィッティング）が起きにくい。
- すべてのノード同士が密につながり、パラメータ数が爆発して過学習しやすいのは「全結合層」の性質。
■ 初学者向け解説（例え話や背景）
「全結合層」と「畳み込み層」の決定的な違いは、データの扱い方の『丁寧さ』と『効率の良さ』にあります。
- 全結合層：
画像を1本の直線データ（1次元）にバラバラにバラしてしまいます。「右上に目がある」「左下に口がある」といった位置関係の思い出をぶち壊してしまう上に、全員と全員が手をつなぐ（全結合）ため、つなぎ目の数（パラメータ数）が爆発して覚えすぎてしまう（過学習を起こす）問題があります。 - 畳み込み層：
画像の「縦と横の関係（空間情報）」をそのままキープ！小さな虫眼鏡（フィルタ）をみんなで「使い回し（重み共有）」しながら、画像の上をスライドさせてチェックしていきます。
同じ道具を使い回すので覚えるべき数値（パラメータ）が圧倒的に少なく、無駄がないため過学習になりにくいスマートな仕組みなのです。
「不適切なものを選べ」という打ち消しの問題では、全結合層と畳み込み層の主語がひっくり返っていないかをしっかり見抜くのが回答のコツです！
■ 選択肢の解説
- A) 入力データを平坦化（1次元化）せず〜（○）: 記述の通り適切です。畳み込み層は画像の2次元（空間）構造を維持して処理します。
- B) 画像全体に対して同じフィルタ（重み）を〜（○）: 記述の通り適切です。「重み共有」によりパラメータ数を劇的に減らせます。
- C) 入力画像データ内のすべてのノードが〜（×）: 不適切なのでこれが正解です！ 「すべてのノードと結合し過学習を起こしやすい」のは全結合層の説明です。畳み込み層は局所的にしか結合せず、過学習が起きにくい構造です。
- D) 受容野（局所受容野）と呼ばれる〜（○）: 記述の通り適切です。部分的なエリアに着目して特徴を捉えるため、画像の位置関係のズレに強みを発揮します。
👉 次の問題＆解説テキスト
お疲れ様です！
この調子で次の問題に挑戦しますか？
それとも、立ち止まって詳しい解説を確認しますか？
