⑤ ディープラーニングの応用例 ／ 26. 画像認識
Wide ResNetとは
Wide ResNetとは、深さを増やす代わりに、各層のチャンネル数を増やして（太くして）学習効率と性能を向上させたCNNモデルです。
この用語はG検定シラバスの「26. 画像認識」に含まれます。 章全体の用語は用語解説⑤（全133語）にまとまっています。
一言でいうと
ResNetを「深く」ではなく「太く」した派生モデルです。
深さ一辺倒への疑問
ResNetはスキップ結合によって非常に深いネットワークを可能にしました。しかし層を増やすほど学習に時間がかかり、効果も頭打ちになります。
Wide ResNetは、層を浅くしてもチャンネル数を増やせば同等以上の性能が出ることを示しました。
幅を広げる利点
幅を広げた層は並列に計算しやすいため、GPUを効率よく使えます。結果として同じ性能でも学習時間が短くなります。
「深さ」と「幅」はどちらもモデルの規模を決める軸であり、バランスを取る発想はEfficientNetへとつながっていきます。
深さと幅のバランス
Wide ResNetが示したのは「深ければ深いほど良い」わけではないという点です。
この問題意識を、解像度も含めて体系化したのがEfficientNetです。深さ・幅・解像度をどう配分するかという設計問題として整理されました。
🎯 G検定での押さえどころ
- 深さではなく幅（チャンネル数）を増やす
- 学習効率が向上する
- ResNetの派生モデル
⚠️ よくある誤りの選択肢
- 「Wide ResNetはResNetより層を深くしたモデルである」→ 誤り。幅を広げています
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「ResNet・WideResNet」（E資格向け）
この用語を覚えたら
チェックは章ページと「試験内容解説」TOPの進捗にも反映されます
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。