畳み込みニューラルネットワーク(CNN)とは?仕組みを図解
どーも、りけーこっとんです。
「CNNの畳み込みって、結局なにを計算しているの?」「ストライドとパディングで、出力のサイズがどう変わるのか分からない」
このような、G検定の画像認識の範囲で手が止まっている方はいないでしょうか?
この記事では、画像認識の主役である畳み込みニューラルネットワーク(CNN)の仕組みを、図を使って解説します。
畳み込み層・プーリング層・全結合層の順に、それぞれ何をしているのかを見ていきましょう。出力サイズの計算問題も出るので、公式もまとめました。
(2026年10月更新:G検定の現行シラバス(2024年第6回から適用)に合わせて内容を見直しました。)
この記事の要点
- CNNとは、畳み込み層とプーリング層を繰り返して画像の特徴を取り出し、最後に全結合層で分類するニューラルネットワーク
- 畳み込み層は、フィルタ(カーネル)を少しずつずらしながら掛け算と足し算をして、特徴マップを作る
- 出力サイズ=(入力サイズ+2×パディング−カーネルサイズ)÷ストライド+1
- プーリング層は、位置のずれに強くする(不変性の獲得)ためにデータを縮める。最大値プーリングと平均値プーリングがある
手元に公式テキストが1冊あると、この記事で扱う用語をシラバスの言葉づかいのまま確かめられます。
深層学習教科書 ディープラーニング G検定(ジェネラリスト)公式テキスト 第3版
JDLA(日本ディープラーニング協会)監修の公式テキスト。用語の意味を正確に確かめたいときの辞書がわりになります。
|
|
この記事は、現行シラバスでは第5章「全結合層」「畳み込み層」「プーリング層」の範囲です(シラバスはJDLAの公式ページで確認できます)。G検定の範囲全体を一覧で見たい方はG検定チートシートもどうぞ。
この記事では、文字の装飾を次の3段階にそろえています。試験直前は赤太字だけ拾い読みしても要点がつかめます。
- 赤太字(超重要):試験で正解を決める決め手。年号・人物・数字・違いのポイント
- 青色マーカー+太字(重要):用語の定義。「〇〇とは」の一文
- 太字(覚えておきたい):あわせて覚えたい関連用語や覚え方
- これから勉強を始める方は → G検定とは?合格ライン・難易度・勉強法で、まず試験の全体像と勉強の進め方をつかめます
- 用語をサッと確かめたい方・試験当日が近い方は → G検定カンペ(チートシート)の分野別の用語一覧から、各解説記事にすぐ飛べます
- 紙で手元に置きたい方は → G検定カンペの印刷用PDF(無料・A4・15ページ)をダウンロードできます
畳み込みニューラルネットワーク(CNN)とは
畳み込みニューラルネットワーク(CNN)とは、畳み込み層とプーリング層を繰り返して画像の特徴を取り出し、最後に全結合層で分類などを行う、画像処理によく使われるニューラルネットワークです。
CNNの正式名称はConvolutional Neural Networkです。イメージは次のような感じです。
引用:A Comprehensive Guide to Convolutional Neural Networks(Towards Data Science)
学習の進み方としては、「畳み込み層」→「プーリング層」→「畳み込み層」→「プーリング層」→…→「全結合層」という順番で進んでいきます。
画像を見ても、何が何だか分からないですよね。普通のニューラルネットワークに画像を入れると、画素を1列に並べてしまうので、「隣り合う画素の関係(形や模様)」が失われてしまいます。
CNNは、画像の縦横の位置関係を保ったまま特徴を取り出せるのが強みなんです。それぞれの層について、丁寧に解説していきますね。
全結合層とは|重みと線形関数
先に、普通のニューラルネットワークと同じ形の「全結合層」から説明しておきます。
全結合層とは、前の層のすべてのノードと、次の層のすべてのノードがつながっている層のことです。
全結合層では、入力の1つ1つに重みを掛けて足し合わせ、バイアスを足す計算をします。
これは「重み×入力+バイアス」という線形関数(一次関数)の計算ですね。
この後に活性化関数を通して、次の層に渡します。
CNNでは、畳み込み層とプーリング層を何度か繰り返したあとに全結合層を置きます。例えば、プーリング層までで2×2の特徴マップができたとします。
この特徴マップのデータを1列に並べ直して全結合層に入力し、画像が何に分類されるかを出力するという流れです。
畳み込み層の仕組み
畳み込み層とは、フィルタを使って画像から特徴を取り出す層のことです。
目的は、元の画像データの特徴を抽出することですね。
畳み込み操作とは
畳み込み操作とは、画像にフィルタを重ねて、重なった部分の値を掛け合わせて足し合わせる計算を、フィルタを少しずつずらしながら繰り返すことです。
実際の手順は次の通りです。
- まず、元の画像データと「フィルタ(カーネル)」を用意する
- 元のデータにフィルタを重ねて、重なった数字同士を掛けて足し合わせる
- フィルタを1つ横にずらして、また同じように計算する
- 3を繰り返して、画像全体を計算する
フィルタ(カーネル)と特徴マップ
フィルタ(カーネル)とは、画像から特定の特徴(縦の線、横の線など)を取り出すための、小さな数字の表のことです。
上の例では2×2のフィルタですね。
フィルタの中の数字によって、取り出せる特徴が変わります。
CNNでは、このフィルタの数字を学習で自動的に決めていくのがポイントです。
昔は人間がフィルタを設計していましたが、CNNはデータから最適なフィルタを見つけてくれるんですね。フィルタの縦横の幅をカーネル幅と言います。
特徴マップとは、畳み込み操作によって作られた、画像の特徴を表すデータのことです。
感覚的には、次のように画像が変換されます。
元の画像とはだいぶ異なりますが、これが特徴を取り出しているということです。
フィルタの種類を変えると違った特徴が取り出せるので、フィルタを何種類使うか(特徴マップの数)はハイパーパラメータです。
最初の図の「Conv_1」で画像が増えているように見えるのは、フィルタの種類の数だけ特徴マップができているからですね。
ストライドとパディング
ストライドとは、フィルタを1回で何マス分ずらすかという値のことです。
畳み込みの手順で「フィルタを1つ横にずらして」と書きましたが、ずらす数が1つでないこともあります。
1つずつずらすと「ストライド1」、2つずつずらすと「ストライド2」と数えます。
ストライドを大きくすると、出力は小さくなります。
パディングとは、畳み込みの前に、画像の周りを何らかの値で埋めて、画像を一回り大きくすることです。
イメージは次のような感じです。
周りを0で埋めるのが一般的で、これをゼロパディングと言います。
何マス分埋めるかを「パディング1」「パディング2」のように表します。
パディングを行うメリットは次の2つです。
- 畳み込みをしても、出力の画像サイズが小さくなりにくい
- 画像の端のデータも、何回も計算に使われるので特徴を反映しやすい
出力サイズの計算
G検定では、畳み込みのあとの出力サイズを計算させる問題が出ます。
公式は次の通りです。
出力サイズ=(入力サイズ+2×パディング−カーネルサイズ)÷ストライド+1
例えば、入力が5×5、フィルタが3×3、パディング1、ストライド1なら、(5+2×1−3)÷1+1=5で、出力も5×5になります。
パディング0のままなら(5−3)÷1+1=3で、3×3に縮みますね。
ここまでの勉強で「やっぱり独学は難しい…」と思っているのであれば、実際に手を動かして学べる講座で一歩先に進むのも一つの手です。
プーリング層
プーリング層とは、特徴マップを小さな範囲ごとにまとめて、データを縮める層のことです。
例えば、画像が「車」なのか「飛行機」なのかを区別したいとき、車が画像の左に写っているか右に写っているかは関係ありますか?
区別したいだけなら、関係ありませんよね。
プーリング層では、細かい位置の情報をうまくそぎ落としながら、データの量を減らします。
学習するパラメータは持たないのも特徴です。具体的な手法は、主に次の2種類です。
最大値プーリングと平均値プーリング
最大値プーリングとは、決めた範囲(プーリングサイズ)の中の、最大の値を取り出す方法です。
イメージは次のような感じです。
例えば2×2のプーリングサイズであれば、その範囲の中で最大値を取っていきます。
畳み込みと違って、範囲が重ならないようにずらすことが多いので注意してください。
平均値プーリングとは、決めた範囲の中の値の平均を取り出す方法です。イメージは次のような感じです。
基本的には最大値プーリングとやることは同じで、最大値ではなく平均値を取るのが違いですね。
不変性の獲得とは
不変性の獲得とは、画像の中で物体の位置が少しずれても、同じ特徴として扱えるようになることです。
最大値プーリングなら、2×2の範囲の中で特徴が少しずれても、取り出される最大値は同じですよね。
このように、プーリングによって位置のずれ(平行移動)に強くなるのが、プーリング層の大事な役割です。
グローバルアベレージプーリング(GAP)とは
グローバルアベレージプーリング(GAP)とは、特徴マップ1枚ごとに、全体の平均を1つの値として取り出す方法で、全結合層の代わりに使われます。
普通は、プーリングを終えて全結合層に入力するときに、特徴マップの全データを使います。
これではデータが膨大で、パラメータが多くなり、学習にも時間がかかってしまいますよね。
そこで、全結合層の代わりにGAPを使って、パラメータを減らそうということです。イメージは次のような感じです。
具体的には、次のように行います。
- 分類したいクラスと特徴マップが1対1になるように調整する
- それぞれの特徴マップの平均を、ソフトマックス関数に通す
「分類したいクラス」とは、例えば画像を車・飛行機…に分類したいときの「車」「飛行機」のことです。
全結合層を使わずに画像分類ができるので、パラメータが大きく減り、過学習も起きにくくなります。
GoogLeNetなどで使われました(GoogLeNetとResNetの記事で解説しています)。
CNNの層の比較表
| 層 | 何をするか | 学習するパラメータ |
|---|---|---|
| 畳み込み層 | フィルタで特徴を取り出し、特徴マップを作る | あり(フィルタの数字) |
| プーリング層 | 範囲ごとに最大値・平均値を取って縮める | なし |
| 全結合層 | 特徴を1列に並べて、分類などを行う | あり(重みとバイアス) |
| グローバルアベレージプーリング | 特徴マップごとの平均を取る(全結合層の代わり) | なし |
現行シラバスの「全結合層」「畳み込み層」「プーリング層」のキーワードは、次の表ですべて確認できます。
| 用語 | 一言でいうと | 詳しい解説 |
|---|---|---|
| 重み | 入力の重要度を表す値。学習によって調整されるパラメータ | この記事 |
| 線形関数 | 入力に重みを掛けて足し合わせ、バイアスを加える計算。全結合層の中身 | この記事 |
| Atrous Convolution | フィルタの間隔を空けて畳み込み、少ない計算で広い範囲を見る方法(Dilated Convolutionと同じ) | 解説記事 |
| Depthwise Separable Convolution | 畳み込みを「チャネルごと」と「チャネル間」の2段階に分けて計算量を減らす方法 | 解説記事 |
| Dilated Convolution | フィルタの間隔を空けて畳み込み、少ない計算で広い範囲を見る方法(Atrous Convolutionと同じ) | 解説記事 |
| カーネル | 畳み込みで使う小さな重みの行列(フィルタと同じ意味) | この記事 |
| ストライド | フィルタを何マスずつずらして畳み込むか | この記事 |
| 畳み込み操作 | フィルタを画像の上でずらしながら掛け合わせて足し、局所的な特徴を取り出す計算 | この記事 |
| 畳み込みニューラルネットワーク(CNN) | 畳み込み層とプーリング層を重ねたネットワーク。画像認識で主に使う | この記事 |
| 特徴マップ | 畳み込みで取り出された特徴を並べた出力 | この記事 |
| パディング | 画像の周りを0などで埋めて、畳み込み後もサイズを保つ工夫 | この記事 |
| フィルタ | 畳み込みで画像に掛け合わせる小さな重みの行列。学習で値が決まる | この記事 |
| グローバルアベレージプーリング(GAP) | 特徴マップ全体の平均を1つの値にするプーリング。全結合層の代わりに使える | この記事 |
| 最大値プーリング | 領域内の最大値を取って縮小するプーリング | この記事 |
| 不変性の獲得 | プーリングにより、物体の位置が少しずれても同じ特徴として扱えるようになること | この記事 |
| 平均値プーリング | 領域内の平均値を取って縮小するプーリング | この記事 |
よくある質問
Q. ストライドとパディングで出力サイズはどう変わる?
ストライドを大きくすると出力は小さくなり、パディングを大きくすると出力は大きくなります。
出力サイズ=(入力サイズ+2×パディング−カーネルサイズ)÷ストライド+1で計算できます。
Q. プーリング層に学習するパラメータはありますか?
ありません。プーリング層は、決めた範囲の最大値や平均値を取るだけなので、学習で決める重みはありません。
学習するパラメータを持つのは、畳み込み層と全結合層です。
Q. グローバルアベレージプーリングを使うメリットは?
全結合層の代わりに使うことで、パラメータの数を大きく減らせることです。計算が軽くなり、パラメータが少ないぶん過学習も起きにくくなります。
よくある質問の内容までスラスラ答えられたら、次は問題形式で解いてみるのがおすすめです。選択肢を見比べると、どこで引っかけられるのかが分かってきます。
徹底攻略ディープラーニングG検定ジェネラリスト問題集 第3版
分野ごとの問題と解説がまとまった問題集。記事で覚えた用語を、本番と同じ選択式で解いて確かめられます。
|
|
まとめ
- CNNは、畳み込み層とプーリング層を繰り返して特徴を取り出し、全結合層で分類するニューラルネットワーク
- 畳み込み層:フィルタ(カーネル)を少しずつずらして掛け算と足し算をし、特徴マップを作る
- 出力サイズ=(入力サイズ+2×パディング−カーネルサイズ)÷ストライド+1
- プーリング層:最大値プーリング・平均値プーリングで縮め、位置のずれに強くする(不変性の獲得)
- グローバルアベレージプーリング:特徴マップごとの平均を取り、全結合層の代わりにしてパラメータを減らす
次回は、少ないデータでもCNNを活かせる転移学習・ファインチューニングと、データ拡張、CNNの源流(ネオコグニトロン・LeNet)や軽量なCNN(MobileNet・EfficientNet)を転移学習とデータ拡張の記事で解説していきます。
G検定の試験範囲をまとめて見直したい方は、シラバスの全キーワードを一行でまとめたG検定チートシートをどうぞ。分野ごとに読み進めたい方はG検定の解説記事一覧からどうぞ。
お子さんと一緒にAIを学びたい方には、親子で生成AIの使い方を学べる講座もあります。
G検定の勉強で身につけた知識は、データ分析やAI関連の仕事でそのまま使う土台になります。
データ系の求人は職種名がバラバラで自分では探しにくいので、どんな求人があるのかを一度眺めておくと、次に学ぶべきことがはっきりしてきます。
20代で未経験からIT職を目指す方、すでに経験があってフリーランスの案件を探したい方は、それぞれ専門のサービスを使うと探す手間が省けます。



