③ ディープラーニングの概要 ／ 11. ニューラルネットワークとディープラーニング
隠れ層・入力層・出力層とは
ニューラルネットワークは入力層・隠れ層・出力層から構成されます。隠れ層が特徴表現を学習する役割を担い、層を深くすることで表現力が高まります。
この用語はG検定シラバスの「11. ニューラルネットワークとディープラーニング」に含まれます。 章全体の用語は用語解説③（全52語）にまとまっています。
一言でいうと
ニューラルネットワークを構成する3種類の層。特徴を学ぶのは隠れ層です。
3つの層の役割
- 入力層：データをそのまま受け取る。ここでは計算を行わない
- 隠れ層：特徴表現を学習する中核。浅い層は単純な特徴、深い層は複雑な特徴を捉える
- 出力層：最終的な予測を出す。タスクに応じた活性化関数を使う
隠れ層が「深い」ことがディープラーニングの「ディープ」の由来です。
出力層の活性化関数はタスクで決まる
中間層と出力層で使う関数が違う点はよく押さえるので整理しておきましょう。
深さと幅
ネットワークの規模には2つの軸があります。
- 深さ：隠れ層を何層重ねるか
- 幅：1層あたりのニューロン数
同じ表現力を得るなら、幅を広げるより深さを増やすほうが効率的とされています。ただし深くするほど勾配消失問題が起きやすくなるという難しさもあります。
🎯 G検定での押さえどころ
- 特徴表現を学習するのは隠れ層
- 入力層は計算を行わない
- 出力層の活性化関数はタスクによって決まる
⚠️ よくある誤りの選択肢
- 「入力層でも重み付き和の計算を行う」→ 誤り。入力を受け取るだけです
- 「出力層には常にReLUを使う」→ 誤り。タスクに応じて選びます
📘 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「多層パーセプトロン」（E資格向け）
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。