【G検定対策】全結合層を文系向けに解説！パラメータ数の計算問題もこれで完璧

2026年7月25日 2026年7月25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】★★★［必須知識！］
「ディープラーニングの参考書を開いたら、矢印がクモの巣みたいに絡み合った図が出てきて頭が痛くなった……」
「全結合層の『パラメータ数』の計算問題がいつも解けない！」

そんな悩みを抱えていませんか？
ニューラルネットワークの基本中の基本である「全結合層（ぜんけつごうそう）」は、一見複雑そうに見えますが、仕組み自体はとてもシンプルです。
仕組みを日常の例え話で理解してしまえば、試験でよく出る計算問題もパズルのように簡単に解けるようになります！

この記事では、初学者の方でも直感的に理解できるように解説します。

1. 全結合層（Fully Connected Layer）とは？分かりやすい例え話で解説

全結合層とは、「前の層にあるすべての要素」と「後ろの層にあるすべての要素」が、もれなく全員とつながっている（結合している）層のことです。
英語では「Fully Connected Layer」や「Dense層（密集した層）」と呼ばれます。

これだけだとイメージしづらいので、日常の例え話として「アイドルオーディションの最終審査」を思い浮かべてみてください。

入力層（受験生）：オーディションに参加した「歌唱力」「ダンス」「ビジュアル」の3つのアピールポイント。
出力層（審査員）：最終判断を下す「プロデューサーAさん」「プロデューサーBさん」の2人。

この最終審査では、審査員AさんもBさんも、受験生の「歌唱力」「ダンス」「ビジュアル」のすべてをチェックして合否を決めます。
審査員Aさんだけが歌を見て、Bさんだけがダンスを見る、ということはしません。

このように、前のデータ（アピールポイント）のすべてが、次のデータ（審査員）のすべてに網羅的に伝わる仕組みこそが「全結合層」です。
ディープラーニングのモデルの「最後の仕上げ（分類や予測）」の段階で必ずと言っていいほど使われる、とても重要な役割を持っています。

2. 試験に出る！最重要キーワードの解説と覚え方

G検定で全結合層が出題される際、絶対に落とせない重要キーワードを4つに絞って解説します。

全結合層の役割

全結合層の最大の役割は、「これまでの層が抽出してきた特徴を、最終的な判断（クラス分類や予測値）にまとめること」です。
画像認識などで、前段の層（畳み込み層など）が「輪郭」や「色」といった部分的な特徴を見つけ出した後、最後の全結合層がそれらの情報をすべてガッチャンコして、「これは『犬』です（90%）」「『猫』です（10%）」という最終的な答えを出力します。

重み（Weight）

重みとは、「それぞれの情報の重要度（つながりの強さ）」のことです。
先ほどのオーディションの例でいうと、審査員Aさんは「アイドルは歌が命！」と思っているので歌唱力を重視し、審査員Bさんは「ビジュアルが一番！」と思っているかもしれません。
このように、次の層へ情報を送る際に「どの情報をどれくらい重視するか」を調整する掛け算の係数を「重み」と呼びます。
AIの学習とは、この「重み」を最適な値に調整していく作業のことです。

線形関数（Linear Function）

線形関数とは、一言で言えば「掛け算と足し算だけで構成された、まっすぐな計算」のことです。
全結合層で行われる計算は、非常にシンプルです。

（入力1 × 重み1）＋（入力2 × 重み2）＋（入力3 × 重み3）＋バイアス（下駄）

このように、入ってきたデータに重みを掛けて、すべてを足し合わせる計算を「線形変換（または線形関数による計算）」と呼びます。
全結合層は、この線形関数をベースに成り立っています。

【超重要】パラメータ数の計算方法

G検定で最も狙われやすいのが、全結合層における「パラメータ数（重みとバイアスの総数）」の計算問題です。
公式を丸暗記するのではなく、仕組みで覚えましょう。

パラメータ数は、「重みの数」＋「バイアスの数」で求められます。

1. 重みの数（矢印の数）
* 「入力の数 × 出力の数（審査員の数）」で計算できます。
* 例：入力が3つ、出力が2つの場合、矢印は3×2=6本。
2. バイアスの数（審査員の数）
* バイアスとは、各出力（審査員）が個別に持っている「下駄（ゲタ）＝評価の甘さ・厳しさ」のことです。
* 出力の数と同じ数だけ存在します。
* 例：出力が2つなら、バイアスも 2 つ。

したがって、総パラメータ数は 「（入力の数 × 出力の数）＋出力の数」 になります。
上記の例なら、6+2=8個となります。

リンク

3. 【要点整理】全結合層と畳み込み層の違い

G検定では、全結合層と「畳み込み層（CNNで使われる層）」の特徴を比較する問題がよく出題されます。
頭の中を整理するために、表で確認しておきましょう。

比較項目	全結合層	畳み込み層
つながり方	前後の層の要素がすべてつながる	近傍の局所的な要素だけがつながる
主な役割	特徴をまとめて最終的な判断を下す	画像などの局所的な特徴（エッジ等）を抽出する
位置情報の保持	保持できない（データを1列に平坦化するため）	保持できる（縦横の位置関係をキープする）
パラメータ数	非常に多い（クモの巣状に広がるため）	比較的少ない（フィルターを使い回すため）

全結合層は「全部の情報を一度に見るため、パラメータ数が爆発的に増えやすい」というデメリットがあることも試験対策として覚えておきましょう。

4. G検定の「ひっかけ問題パターン」を総チェック！

実際の試験で受験生が引っかかりやすい、定番の「バツ選択肢」のパターンを紹介します。

パターン①：パラメータ数計算で「バイアス」を足し忘れる

❌ よくある間違い（バツ選択肢の例）

「入力層のノード数が100、出力層のノード数が10の全結合層において、学習すべきパラメータの総数は1,000である。」
💡 解説と見極め方

100×10=1,000は「重み（矢印）」だけの数です。ここに出力の数と同じ「バイアス（10個）」を足し忘れてはいけません。 正解は1,000+10=1,010です。問題文に「バイアスを考慮しない」と明記されていない限り、必ずバイアスを足してください。

パターン②：全結合層と畳み込み層の「役割」のすり替え

❌ よくある間違い（バツ選択肢の例）

「全結合層は、画像の縦や横の位置関係（空間的特徴）を保持したまま計算を行うことができるため、画像認識の前半部分に多く用いられる。」
💡 解説と見極め方

主語が逆です。位置関係を保持できるのは「畳み込み層」です。全結合層は、データを1列のバラバラな数字の並び（多次元ベクトルを1次元に平坦化したもの）にしてしまうため、位置情報は失われます。 そのため、画像認識の「最後（後半）」に配置されます。

🔥 まとめ：全結合層は「最後のまとめ役」！

全結合層について、重要なポイントをおさらいしましょう。

1. 全結合層は、前の層と後ろの層が網羅的にすべてつながっている層。
2. 役割は、抽出された特徴をすべて掛け合わせて最終的な予測・分類をすること。
3. パラメータ数の計算は、「（入力 × 出力）＋出力（バイアス）」の形を徹底する。
4. 位置情報は保持できないため、モデルの最後に使われることが多い。

「全員とつながるから全結合層」というイメージを持っておけば、試験本番でも迷うことはありません。
この調子で、一歩ずつ合格へ突き進みましょう！