G検定 5-1 17. 全結合層

シラバス　17. 全結合層　についてまとめていきます

Feloで作成

目標

・全結合層の概要を理解する
・全結合層のパラメータ数について理解する
・ディープラーニングにおける全結合層の役割を説明できる

キーワード

重み, 線形関数

【全結合層の基本概念】

■全結合層とは

・総和した値をユニットの値にする
・ニューラルネットワークの基本的な層
・すべてのニューロン同士が接続
・特徴マップを一列にフラットに並べる処理

■全結合層の使い所

CNN(LeNet)では、畳み込み層・プーリング層を繰り返した後、最後に全結合層を積層する。

Global Average Poolingは全結合層を用いずに、特徴マップの平均値を１つののユニット（ニューロン）の値にする

■役割と用途

・特徴の統合

• 前層からの情報を組み合わせる

• パターンの認識に重要

・最終的な判断

• 分類や予測の出力を行う

• ネットワークの最後に配置されることが多い

■構造と特徴

・重み (Weights)

• 各接続の強さを表すパラメータ

• 学習によって最適化される

・線形関数

• 入力×重み＋バイアスの計算

• 活性化関数と組み合わせて使用

■パラメータ数の計算

・計算式：
入力ユニット数×出力ユニット数＋バイアス

例：

• 入力100個

• 出力10個
  → パラメータ数：1000＋10＝1010個

■注意点

・パラメータ数が多い

• メモリ使用量が大きい

• 過学習のリスク

・計算コストが高い

• 処理に時間がかかる

• GPUなどの活用が有効

Feloで作成