【G検定対策】活性化関数の覚え方！5つの必須関数とひっかけ対策

2026年7月24日 2026年7月24日 atsushi_kitazawa

※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。

【重要度】★★★

「活性化関数って種類が多すぎて、どれがどれだか分からない……」
「カタカナの関数名ばかりで、数式を見るだけで頭が痛くなる……」

ディープラーニングの核心に迫るステップに入ると、この「活性化関数」という大きな壁が立ちはだかります。
しかし、安心してください。
難しそうな数式を丸暗記する必要は一切ありません！
活性化関数の本質は、私たちの日常にある「やる気スイッチ」や「書類の承認ルール」に例えると、驚くほど直感的に理解できます。
この記事では、G検定に登場する5つの必須関数と、試験で必ず狙われる「勾配消失問題」のメカニズムを、わかりやすい例え話で解説します。
ここをマスターして、得点源にしていきましょう！

1. 活性化関数とは？分かりやすい例え話で解説

ニューラルネットワークにおいて、活性化関数とは一言でいうと「次の人（ニューロン）に、どれだけの熱量で情報を伝えるかを決める『やる気スイッチ』」です。

なぜ活性化関数が必要なのか？

脳を模したネットワークでは、前の層からさまざまな情報（数値）が送られてきます。
もし活性化関数がなかったら、コンピューターはただ送られてきた数値を単純に足し算・掛け算して次に流すだけになってしまいます。
これだと、どれだけ層を深く重ねても、結局は「1つの単純な計算（線形変換）」にしかなりません。
複雑な画像を見分けたり、高度な予測をしたりすることは不可能なのです。
そこで登場するのが「活性化関数」です。
計算結果をこの関数に通すことで、データに「非線形性（グニャグニャとした複雑な変化）」を与え、ディープラーニングが驚異的な賢さを発揮できるようになります。

日常のメタファー：「会社の上司の承認スタンプ」

活性化関数の働きは、会社での「書類の承認ルール」にそっくりです。

ルールA（厳しい上司）： どんなに熱意ある提案（大きな数値）でも、予算が100万円未満なら「一律却下（0を出力）」、100万円以上なら「そのまま通す（入力値をそのまま出力）」。
ルールB（慎重な上司）： どんなに巨大なプロジェクトでも、リスクを抑えるために「期待度を0から1の間にギュッと収めて報告させる（0〜1の間で出力）」。

このように、入ってきた情報に対して「どういう基準で、どんな形で次の人にパスするか」というフィルターの役割を果たしているのが活性化関数なのです。

2. 試験に出る！最重要キーワードの解説と覚え方

G検定で絶対に落とせない5つの活性化関数と、関連する重要キーワードを詳しく解説します。
それぞれの特徴と「使いどころ」をセットで覚えましょう。

シグモイド関数

初期のディープラーニングでよく使われた、元祖・活性化関数です。

特徴： どんなに大きな値や小さな値が入力されても、出力を必ず「0から1の間」にギュッと収める滑らかなS字カーブの関数です。
使いどころ： 出力が0から1の間に収まるため、「確率」として解釈しやすく、「2クラス分類（YESかNOか）」の出力層で今でも大活躍しています。
試験にでる弱点： 入力された値が大きすぎたり小さすぎたりすると、グラフが平ら（傾きがほぼ0）になってしまいます。これが、後述する「勾配消失問題」の大きな原因になりました。

tanh（ハイパボリックタンジェント）関数

シグモイド関数を少し改造して、パワーアップさせた関数です。

特徴： シグモイド関数が「0から1」だったのに対し、tanh関数は「-1から1の間」で出力します。グラフの中心が「0」になる（ゼロ中心）のが特徴です。
使いどころ： データの平均値が0に近くなるため、シグモイド関数よりも学習がスムーズに進みやすいというメリットがあり、主に隠れ層（中間層）で使われました。しかし、シグモイド関数と同様に端っこの方でグラフが平らになるため、やはり勾配消失問題は完全には解決できませんでした。

ReLU（レルー）関数

現在のディープラーニングの「絶対的エース」であり、最も広く使われている関数です。

特徴： 入力が0以下なら一律「0」を出力（切り捨て）し、入力が0を超えたら「そのままの値」を出力するという、非常にシンプルの極みのような形をしています。
使いどころ： 「隠れ層（中間層）」の活性化関数としては、迷ったらコレ！ というレベルの標準装備です。
なぜエースなのか： 0を超えれば値がどこまでもまっすぐ伸びるため、グラフが平らにならず、「勾配消失問題」を劇的に解決しました。さらに、計算が足し算と引き算レベルで超高速なため、コンピューターの負担を大きく減らせるという天才的なメリットを持っています。

Leaky ReLU（リーキー・レルー）関数

絶対的エースであるReLU関数の、唯一の弱点を補うために生まれた進化系です。

特徴： ReLU関数は入力が0以下だと完全に「0」になってしまい、そのニューロンが「死んだ状態（それ以上学習しない）」になってしまうことがあります（Dying ReLU現象）。そこで、0以下のときは「0」にするのではなく、わずかに（0.01倍など）値を漏らす（Leakさせる）ようにしたのがこの関数です。
使いどころ： 隠れ層で、通常のReLUだと学習がうまく進まない（ニューロンが死んでしまう）ようなシビアなモデルで効果を発揮します。

ソフトマックス関数

これまでの関数とは毛色が違う、「最終ランナー専用」の関数です。

特徴： 複数の出力値の合計がちょうど「1（100%）」になるように調整して出力します。
使いどころ： 「多クラス分類（犬、猫、鳥のどれでしょう？など）」の「出力層（一番最後の層）」で必ず使われます。たとえば、出力が「犬：0.7、猫：0.2、鳥：0.1」のように、合計100%の確率としてきれいに変換してくれるため、AIの最終判断を下すのに欠かせない関数です。

勾配消失問題

活性化関数を語る上で、試験に100%出ると言っても過言ではない超重要キーワードです。

メカニズム： ディープラーニングは、間違えた原因を後ろの層から前の層へと逆向きに伝言ゲームのように伝えて学習します（誤差逆伝播法）。
ここで注意したいのが、シグモイド関数の「傾き（変化の勢い）」です。シグモイド関数の出力自体は「0〜1」ですが、その傾き（勾配）は最大でも「0.25」しかありません。
この関数を何層も通ると、「0.25 × 0.25 × 0.25……」と小さくなる掛け算が繰り返され、最初の層（入力層側）にたどり着く頃には、伝えるべき熱量（勾配）がほぼ「0」に消えてしまいます。これが勾配消失問題です。

リンク

3. 【要点整理】活性化関数の特徴・比較表

試験直前に一目で区別できるよう、5つの関数の要点をひとまとめにしました。
ここをスクリーンショットして覚えるだけでも点数が上がります！

関数名	出力値の範囲	主な使いどころ（層）	ターゲットタスク	最大のメリット・特徴
シグモイド	0 〜 1	出力層	2クラス分類	確率として扱いやすいが、勾配消失の原因になる
tanh	-1 〜 1	隠れ層	中間処理	ゼロ中心でシグモイドより優秀だが、勾配消失は残る
ReLU	0 〜無限大	隠れ層（現在の主流）	中間処理	計算が超高速で、勾配消失問題を解決した主役
Leaky ReLU	マイナス〜無限大	隠れ層	中間処理	0以下の入力でもわずかに値を残し、ニューロンの死を防ぐ
ソフトマックス	0 〜 1（全員の合計が1）	出力層	多クラス分類	出力全体の合計を1（100%）にして、確率で表す

4. G検定の「ひっかけ問題パターン」を総チェック！

G検定の試験本番で、受験生を惑わせる代表的なひっかけパターンを予習しておきましょう。

❌ ひっかけパターン1
「多クラス分類を行うニューラルネットワークにおいて、出力層の活性化関数には一般的にシグモイド関数が用いられる。」

💡 見極め方： 「多クラス分類」ときたらソフトマックス関数です！
シグモイド関数は「2クラス分類（YES/NO）」の出力層に使われます。
問題文の「多クラス」と「2クラス」のすり替えは非常によくあるパターンです。

❌ ひっかけパターン2
「ReLU関数は、入力値が0以下のときには入力をそのまま出力し、0を超えるときには一律で0を出力する関数であり、隠れ層の標準的な関数として広く利用されている。」

💡 見極め方： 関数の定義が「真逆」になっています！
正しくは「0以下なら0、0を超えたらそのまま出力」です。
一見するともっともらしい文章に見えるので、条件が逆に書かれていないか慎重に読み進めましょう。

🔥 まとめ：役割の「使い分け」をイメージしよう！

活性化関数の問題は、一見すると専門用語の羅列に見えますが、整理してみれば「隠れ層で大活躍する、勾配消失を防ぐための関数（ReLUなど）」と、「出力層で最終的な答えの形を整える関数（シグモイドやソフトマックス）」の2つのグループに分かれているだけです。
それぞれの関数がネットワークの中で「どんな役割のスタンプを押しているのか」をイメージできるようになれば、G検定の活性化関数問題は全問正解を狙えます！
この調子で、AIの仕組みをどんどん自分のものにしていきましょう。
応援しています！