ディープラーニングの要素技術
G検定 学習ガイド ／ 30問 ／ 更新：2026年9月8日
全結合・畳み込み・プーリング・回帰結合・Attentionを、どの情報を残し、どのように計算するかという観点で比べます。画像や時系列に適した構造の理由を理解します。
理解のポイント
層のパラメータ数と出力サイズは別の量です。畳み込みの重み共有、ストライド、パディングの役割を分けて計算しましょう。正規化については、平均と分散をどの軸で求めるかを図にすると違いが見えます。
このページは解答を確認しながら読む教材です。答えを見ずに挑戦したい場合は、演習ページの単元一覧から該当する単元を選んでください。
30問の解答と解説
問題文を開くと、正解・考え方・各選択肢の理由を確認できます。
01入力4ユニット、出力3ユニットの全結合層がある。出力ごとに1個のバイアスを持つとき、学習するパラメータ総数を選べ。
全結合層 ／ 問題ID：g-017
正解：15
各出力は4入力すべてにつながるため重みは4×3=12個です。さらに出力3個にそれぞれバイアスが1個あるので、合計15個になります。バイアスを数える条件を読み落とさないようにします。
選択肢ごとの理由
- 15（正解）
4×3+3=15です。
- 12
重みだけを数えており、バイアス3個が抜けています。
- 7
入力数と出力数を足しても接続数にはなりません。
- 24
重みを二重に数える必要はありません。
覚える要点：全結合層の個数＝入力数×出力数＋出力数。
公式シラバスを確認02畳み込み層が全結合層より少ないパラメータで画像の局所特徴を捉えやすい理由を選べ。
畳み込み層 ／ 問題ID：g-018
正解：フィルタの重みを位置間で共有する
畳み込みでは小さなフィルタを画像上で動かし、同じ重みで各位置を調べます。輪郭のような局所的なパターンを、出現位置ごとに別のパラメータを持たずに検出できます。
選択肢ごとの理由
- フィルタの重みを位置間で共有する（正解）
局所接続と重み共有が特徴です。
- 各画素の全接続に別々の重みを用意する
全結合に近い説明で、パラメータが増えます。
- 入力画像の画素をすべて同じ値に置き換える
画像の情報を失うだけです。
- 重みを一切持たない
フィルタには学習する重みがあります。
覚える要点：CNNの基本＝局所を見る、重みを共有する。
公式シラバスを確認03レイヤー正規化の特徴として、最も適切なものを選べ。
正規化層 ／ 問題ID：g-019
正解：各サンプルの特徴方向で平均・分散を求める
レイヤー正規化は各サンプル内で特徴の統計を求めます。バッチ内の他サンプルの統計に直接依存しない点がバッチ正規化と異なります。具体的にどの軸を正規化するかはモデルの設計で決まります。
選択肢ごとの理由
- 各サンプルの特徴方向で平均・分散を求める（正解）
サンプル内の特徴方向で統計を計算します。
- 異なるサンプル間のみで平均・分散を求める
主にバッチ正規化側の考え方です。
- 学習時に重みをランダムに0へ置き換える
ドロップアウトに近い説明です。
- 重みの絶対値の和を損失へ加えて調整する
L1正則化の説明です。
覚える要点：正規化と正則化を混同しない。
公式シラバスを確認042×2領域の値が1、3、2、4のとき、最大値プーリングの出力を選べ。
プーリング層 ／ 問題ID：g-020
正解：4
最大値プーリングは対象領域の最大値を代表として取り出します。ここでは4です。平均値プーリングなら(1+3+2+4)/4=2.5になります。小さな位置ずれへの頑健さを得る助けにもなります。
選択肢ごとの理由
- 4（正解）
領域内の最大値です。
- 2.5
これは平均値プーリングの値です。
- 10
これは総和です。
- 1
これは最小値です。
覚える要点：最大値と平均値のプーリングを計算で区別する。
公式シラバスを確認05ResNetの基本的な残差ブロックで、入力xと同じ形の変換F(x)を使うときの出力を選べ。
スキップ結合 ／ 問題ID：g-021
正解：F(x)+x
スキップ結合は入力を層の変換を経由しない経路でも伝え、F(x)+xのように足します。変換は入力との差分を学べるため、深いネットワークの最適化を助けます。形が異なる場合は射影などで合わせます。
選択肢ごとの理由
- F(x)+x（正解）
残差変換と入力を加算します。
- F(x)−xのみ
基本形は引き算ではありません。
- xを捨てたF(x)のみ
通常の変換だけで、スキップ経路がありません。
- 入力に関係なく0
入力情報も学習した変換も利用できません。
覚える要点：残差ブロックは「変換したもの＋入力」。
公式シラバスを確認06LSTMが通常のRNNに比べ、長い時系列の情報を扱いやすくする仕組みを選べ。
回帰結合層 ／ 問題ID：g-022
正解：ゲートで情報の保持や出力を制御する
LSTMはセル状態とゲートを用いて、残す情報と忘れる情報を調整します。長期依存の学習を助けますが、任意の長さの依存を必ず学べるわけではありません。
選択肢ごとの理由
- ゲートで情報の保持や出力を制御する（正解）
ゲートとセル状態が長期情報の伝達を助けます。
- 過去の状態を各時刻ですべて破棄する
過去を捨てると時系列の文脈を使えません。
- 入力の順序を必ずランダムに並べ替える
順序は時系列で重要な情報です。
- 畳み込みのストライドだけを大きくする
畳み込みの設定でありLSTMの特徴ではありません。
覚える要点：LSTMは、記憶をゲートで管理する。
公式シラバスを確認07Self-Attentionにおけるクエリ・キー・バリューの役割として、最も適切なものを選べ。
Attention ／ 問題ID：g-023
正解：QとKで関連度を求め、Vを重み付き集約する
Attentionではクエリとキーの類似度から重みを求め、その重みでバリューを集約します。Self-Attentionではこれらを同じ系列から作ります。系列内の離れた位置の情報も直接参照できます。
選択肢ごとの理由
- QとKで関連度を求め、Vを重み付き集約する（正解）
関連度の計算と、内容の集約を分担します。
- V間の距離を求め、入力の順序を必ず復元する
位置情報は位置エンコーディングなどで別途与えます。
- Kを損失の正解ラベルとして、学習誤差を求める
キーは入力表現を変換して作るベクトルです。
- Qを人の質問文そのものとして、常に入力する
クエリはモデル内のベクトルで、質問文とは限りません。
覚える要点：QとKで「どこを見るか」、Vから「何を集めるか」。
公式シラバスを確認08基本的なオートエンコーダの学習目標として、最も適切なものを選べ。
オートエンコーダ ／ 問題ID：g-024
正解：潜在表現から元の入力を復元する
オートエンコーダはエンコーダで入力を潜在表現に変換し、デコーダで元の入力を復元します。圧縮やノイズ除去に応用できます。有用な表現を得るには、容量や制約の設計が大切です。
選択肢ごとの理由
- 潜在表現から元の入力を復元する（正解）
入力自身を再構成する学習です。
- すべての入力に別の正解カテゴリを人が付ける
外部カテゴリラベルは基本的な再構成学習には不要です。
- 必ず将来の報酬だけを最大化する
強化学習の目標です。
- 入力を保存せず常に無関係な乱数を返す
再構成誤差を小さくする目的に合いません。
覚える要点：オートエンコーダ＝圧縮して、復元する。
公式シラバスを確認09数字画像の分類で回転によるデータ拡張を行うとき、最も適切な注意点を選べ。
データ拡張 ／ 問題ID：g-025
正解：変換後も正解ラベルの意味が保たれるか確かめる
データ拡張は、目的のラベルを保ったまま入力に変化を与えることが基本です。6を大きく回転して9に見せるような変換は、元ラベルを保つと矛盾した学習になります。分割をまたいだ類似画像の混入にも注意します。
選択肢ごとの理由
- 変換後も正解ラベルの意味が保たれるか確かめる（正解）
タスクに合う変換であることが重要です。
- 回転角度が大きいほど必ず精度が上がる
変換しすぎるとラベルや現実性を損ないます。
- 検証画像の拡張版を訓練にも必ず混ぜる
検証情報が訓練に漏れるおそれがあります。
- 同じ画像を増やせばデータの偏りは必ずなくなる
複製だけでは不足する多様性を補えません。
覚える要点：拡張の前に「答えは変わらないか」を確認する。
公式シラバスを確認10縦横7の入力に3×3フィルタ、ストライド1、パディング0で畳み込む。出力の縦横サイズを選べ。
畳み込み層 ／ 問題ID：g-160
正解：5×5
出力サイズは⌊(入力サイズ+2×パディング−フィルタサイズ)/ストライド⌋+1です。7−3+1=5となります。フィルタを置ける位置を数えると理解しやすくなります。
選択肢ごとの理由
- 5×5（正解）
各辺は(7−3)/1+1=5です。
- 7×7
パディングなしでは縮みます。
- 3×3
フィルタのサイズです。
- 9×9
端を補っていません。
覚える要点：フィルタを何か所に置けるか、で出力サイズを考える。
公式シラバスを確認11入力7×7、フィルタ3×3、ストライド1で出力も7×7にする対称なパディング幅を選べ。
畳み込み層 ／ 問題ID：g-161
正解：各辺1
3×3のフィルタで端が1画素ずつ失われる分を、入力の外周1画素ずつで補います。パディングは出力サイズの調整や端の情報の利用に関係します。
選択肢ごとの理由
- 各辺1（正解）
7+2−3+1=7になります。
- 各辺0
出力は5です。
- 各辺2
出力は9です。
- 各辺3
出力は11です。
覚える要点：3×3・ストライド1なら、幅1でサイズを保つ。
公式シラバスを確認12ストライドを1から2に変えるとき、同じ入力とフィルタなら一般に出力はどうなるか。
畳み込み層 ／ 問題ID：g-162
正解：空間サイズが小さくなる
ストライドはフィルタを動かす歩幅です。大きくすると見る位置が少なくなり、特徴マップの空間サイズが減ります。出力チャネル数を決めるのは通常フィルタ数です。
選択肢ごとの理由
- 空間サイズが小さくなる（正解）
フィルタを置く間隔が広がります。
- 必ず2倍に拡大する
移動間隔を広げると位置数は減ります。
- 重みが自動的に2倍になる
重みの値とは別の設定です。
- 出力チャネルが必ず半分になる
フィルタの個数は別に決めます。
覚える要点：ストライドは空間の間引きに関わる。
公式シラバスを確認13入力3チャネル、3×3フィルタを8個使い、各フィルタにバイアス1個を持つ。パラメータ数を選べ。
畳み込み層 ／ 問題ID：g-163
正解：224
1フィルタは3×3×3=27個の重みで3チャネルを見るため、バイアスを含め28個です。8フィルタなら224個となります。画像の縦横の大きさには直接依存しません。
選択肢ごとの理由
- 224（正解）
(3×3×3+1)×8です。
- 72
入力チャネルとバイアスを数えていません。
- 216
重みだけでバイアス8個が抜けています。
- 32
フィルタ内の接続を数えていません。
覚える要点：フィルタ縦×横×入力チャネル×出力チャネルにバイアスを加える。
公式シラバスを確認14Dilated Convolutionの特徴を選べ。
畳み込み層 ／ 問題ID：g-164
正解：フィルタの間隔を広げて受容野を拡大する
拡張畳み込みではフィルタが参照する位置の間隔を空けます。フィルタの要素数を増やさず、より広い範囲の情報を取り込むために使います。
選択肢ごとの理由
- フィルタの間隔を広げて受容野を拡大する（正解）
重みの数を増やさず広く見ることができます。
- 各重みをすべて異なる画像に適用する
重み共有の話ではありません。
- 出力を必ず全結合する
畳み込みの一種です。
- 入力を必ず一画素にする
受容野を広げる操作です。
覚える要点：要素間を空けて、広い範囲を見る。
公式シラバスを確認15Depthwise Separable Convolutionの典型的な分解を選べ。
畳み込み層 ／ 問題ID：g-165
正解：チャネル別の畳み込みと1×1畳み込み
まずチャネルごとに空間フィルタをかけ、次に1×1のPointwise畳み込みでチャネルを混ぜます。通常の畳み込みと比較して計算量やパラメータを減らす狙いがあります。
選択肢ごとの理由
- チャネル別の畳み込みと1×1畳み込み（正解）
空間とチャネル混合を分けます。
- 最大値と最小値の比較のみ
学習する畳み込みではありません。
- 全結合層を二倍にするだけ
軽量な分解ではありません。
- softmaxを二回適用する
畳み込みの分解ではありません。
覚える要点：空間処理とチャネル混合を分離して軽くする。
公式シラバスを確認16全結合層y=Wx+bで、バイアスbの役割を選べ。
全結合層 ／ 問題ID：g-166
正解：入力が0でも出力をずらせる
バイアスは線形変換に定数を加え、境界や出力を原点から移せるようにします。重みが入力ごとの寄与を定めるのに対して、バイアスは全体の位置を調整します。
選択肢ごとの理由
- 入力が0でも出力をずらせる（正解）
切片に相当します。
- 必ず入力チャネルを削除する
切片の役割ではありません。
- 学習率を固定する
最適化の設定とは別です。
- すべての入力を同じクラスにする
重みとともに多様な写像を作ります。
覚える要点：重みは傾き、バイアスは位置のずれ。
公式シラバスを確認17バッチ正規化の通常の学習時と推論時の違いを選べ。
正規化層 ／ 問題ID：g-167
正解：学習時はミニバッチ、推論時は保持した統計を使う
バッチ正規化では学習中に平均・分散の移動平均などを保持します。通常の評価時にはその統計を使うため、学習モードと評価モードの切替が重要です。
選択肢ごとの理由
- 学習時はミニバッチ、推論時は保持した統計を使う（正解）
運用時のバッチ依存を抑えます。
- 学習時は入力、推論時は教師ラベルの統計を使う
教師ラベルは使いません。
- 学習時の統計計算は省き、推論時だけ統計を求める
バッチ統計を利用します。
- 学習時に限り正規化し、推論時は全出力を0にする
予測できなくなります。
覚える要点：学習モードと推論モードで、使う統計を確認。
公式シラバスを確認18インスタンス正規化の典型的な画像での統計計算を選べ。
正規化層 ／ 問題ID：g-168
正解：各サンプル・各チャネルの空間方向
正規化は「どの軸をまとめるか」で区別します。インスタンス正規化は通常、各サンプルの各チャネルを空間方向に正規化し、画像ごとの統計を整えます。
選択肢ごとの理由
- 各サンプル・各チャネルの空間方向（正解）
各画像の各チャネルを個別に正規化します。
- 全利用者の正解率だけを求める
ネットワーク内の統計ではありません。
- 重みの絶対値だけを足す
L1正則化です。
- 必ず異なる画像の同じ画素だけを混ぜる
インスタンス単位の処理ではありません。
覚える要点：正規化の種類は、統計を取る軸で覚える。
公式シラバスを確認19グループ正規化でグループに分ける代表的な対象を選べ。
正規化層 ／ 問題ID：g-169
正解：特徴のチャネル
グループ正規化はチャネルを群に分け、群内の値を正規化します。バッチ間の統計に依存しないため、小さいバッチで学習する場合にも使いやすい方式です。
選択肢ごとの理由
- 特徴のチャネル（正解）
サンプル内のチャネル群で統計を求めます。
- 正解ラベルの文字数
正規化の軸ではありません。
- 教師データの著者
モデル内部の定義ではありません。
- バッチを必ず一件ずつ別モデルにする
モデル分割ではありません。
覚える要点：グループ正規化は、サンプル内のチャネル群で統計を取る。
公式シラバスを確認20Global Average Poolingの典型的な出力を選べ。
プーリング層 ／ 問題ID：g-170
正解：チャネルごとに空間全体の平均を求める
GAPは特徴マップの各チャネルを全空間で平均します。例えば8×8×16なら16個の値になります。全結合層を大きくしなくても分類へつなげられます。
選択肢ごとの理由
- チャネルごとに空間全体の平均を求める（正解）
チャネルごとに代表値を得ます。
- 全チャネルを必ず一個の値にまとめる
通常はチャネルの区別を残します。
- 各画素を独立に倍にする
平均処理ではありません。
- 出力サイズを必ず二倍にする
空間方向を集約します。
覚える要点：Globalは空間全体、チャネルごとの平均。
公式シラバスを確認21最大値プーリングの学習パラメータについて、標準的な実装の説明を選べ。
プーリング層 ／ 問題ID：g-171
正解：通常は学習対象となる重みやバイアスを持たない
最大値プーリングは定めた領域の最大を取る操作です。窓サイズやストライドは設定しますが、フィルタの重みを学ぶ畳み込みとは区別します。
選択肢ごとの理由
- 通常は学習対象となる重みやバイアスを持たない（正解）
領域の最大値を選ぶ操作です。
- 対象領域ごとに全結合の重みを持ち、学習で更新する
全結合層ではありません。
- 領域に対応する正解ラベルを重みとして保持する
そのような処理ではありません。
- 領域の最大値ではなく、設定した学習率を出力する
最大値を返します。
覚える要点：窓の設定と、学習する重みを区別する。
公式シラバスを確認22残差接続で入力と変換結果のチャネル数が違うときの処理として適切なものを選べ。
スキップ結合 ／ 問題ID：g-172
正解：射影で形を合わせて加算する
F(x)+xには形の整合が必要です。1×1畳み込みなどでチャネル数や空間サイズを合わせる射影を使う場合があります。スキップは無条件のコピー加算ではありません。
選択肢ごとの理由
- 射影で形を合わせて加算する（正解）
加算可能な形に調整します。
- 形が違うまま常に無条件で足せる
対応する次元が必要です。
- 全入力を削除し続ける
情報を伝える目的に反します。
- 正解ラベルをチャネルに足す
推論時に正解を使えません。
覚える要点：足し算する二つの経路の形を揃える。
公式シラバスを確認23BPTTが扱う逆伝播の方向を選べ。
回帰結合層 ／ 問題ID：g-173
正解：時間方向に展開して逆伝播する
Backpropagation Through TimeはRNNを時刻ごとの計算として展開し、誤差を過去の時刻へ伝えます。同じ重みが各時刻で共有されることも重要な特徴です。
選択肢ごとの理由
- 時間方向に展開して逆伝播する（正解）
系列に沿った勾配計算です。
- 画像ファイル名の順だけ
時系列の計算グラフではありません。
- クラスタの番号を昇順にする
学習の逆伝播ではありません。
- 入力を使わず乱数を返す
勾配計算になりません。
覚える要点：RNNを時間に展開して逆伝播する。
公式シラバスを確認24教師強制を用いた系列生成の学習時に、次の入力として使う代表的なものを選べ。
回帰結合層 ／ 問題ID：g-174
正解：直前の正解トークン
教師強制では学習時に正解系列の前の要素を与えます。推論時には自分の出力を使うため、学習時と推論時の入力条件が違う点に注意します。
選択肢ごとの理由
- 直前の正解トークン（正解）
自分の誤った予測の連鎖を避けて学習します。
- 常に直前の予測だけ
通常の自己回帰生成の動作に近い説明です。
- 将来の全正解を推論時にも常に入力する
推論では未知です。
- 無関係な画像の平均
系列の入力ではありません。
覚える要点：教師強制は、学習時の直前入力に正解を使う。
公式シラバスを確認25双方向RNNをそのままリアルタイム予測に使う際の注意を選べ。
回帰結合層 ／ 問題ID：g-175
正解：未来の入力がまだ得られない
双方向RNNは系列を前向き・後ろ向きに処理します。全系列がある文書分析などには有効ですが、未来が未観測の即時予測にはそのまま使えない場合があります。
選択肢ごとの理由
- 未来の入力がまだ得られない（正解）
前後両方向の文脈を利用します。
- 過去を一切利用できない
過去側も使います。
- 必ず画像専用である
系列データを扱います。
- 重みを一つも持たない
ネットワークの重みを学習します。
覚える要点：前後を使えるのは、後ろの情報も手に入るとき。
公式シラバスを確認26位置エンコーディングをTransformerに加える主な理由を選べ。
Attention ／ 問題ID：g-176
正解：トークンに位置・順序の情報を与える
Self-Attentionはトークン間の関係を計算しますが、位置の手掛かりがないと順序を表現しにくくなります。位置の情報を加えることで「誰が誰を」のような並びの違いを扱います。
選択肢ごとの理由
- トークンに位置・順序の情報を与える（正解）
Attentionだけでは系列順を十分に表せません。
- 必ず語彙を一語にする
語彙削減ではありません。
- 出力の正解を直接知らせる
正解の漏えいではありません。
- 重みを全て固定する
重み固定の手法ではありません。
覚える要点：意味の表現に、位置の手掛かりを加える。
公式シラバスを確認27Multi-Head Attentionの狙いを選べ。
Attention ／ 問題ID：g-177
正解：複数の射影で異なる関係を捉える
各ヘッドは別のクエリ・キー・バリューの変換を用い、異なる関係を捉えます。その結果を結合して、単一の注意計算より豊かな表現を目指します。
選択肢ごとの理由
- 複数の射影で異なる関係を捉える（正解）
複数の注意の視点を使います。
- 同じスコアを表示だけ増やす
異なる表現空間で計算します。
- 入力を必ず一語に圧縮する
系列長を一にする定義ではありません。
- 全ヘッドが同じ重みを必ず持つ
通常は別の射影を学習します。
覚える要点：複数の視点のAttentionをまとめる。
公式シラバスを確認28VAEで潜在表現を扱う特徴を選べ。
オートエンコーダ ／ 問題ID：g-178
正解：潜在分布を学び、そこから標本を得る
VAEは潜在変数を確率的に扱い、再構成と潜在分布への制約を組み合わせます。基本的なオートエンコーダと比べ、潜在空間からデータを生成する方向に利用しやすい点が特徴です。
選択肢ごとの理由
- 潜在分布を学び、そこから標本を得る（正解）
確率的な生成モデルとして使えます。
- 正解カテゴリの番号だけを保存する
潜在分布を学ぶ説明ではありません。
- すべての入力に同じ乱数を固定する
入力に応じた分布を学びます。
- 復元を一切行わない
再構成も学習の要素です。
覚える要点：VAEは、潜在表現を確率分布として扱う。
公式シラバスを確認29Mixupの基本操作を選べ。
データ拡張 ／ 問題ID：g-179
正解：二つの入力とラベルを同じ比率で混ぜる
例えば二つの画像を0.7と0.3で混ぜたら、ラベルも同じ割合で混合します。硬い境界に依存しすぎず、中間的な入力にも対応する学習を目指します。
選択肢ごとの理由
- 二つの入力とラベルを同じ比率で混ぜる（正解）
入力だけでなく教師信号も混合します。
- 入力だけ混ぜて常に最初のラベルに固定する
通常のMixupとは異なります。
- 全画像を上下反転するだけ
反転による拡張です。
- 特徴マップの最大値を取る
プーリングです。
覚える要点：Mixupは入力とラベルを同じ割合で混ぜる。
公式シラバスを確認30CutMixとCutoutの違いとして適切なものを選べ。
データ拡張 ／ 問題ID：g-180
正解：CutMixは他画像で領域を置換し、Cutoutは領域を隠す
Cutoutは画像の一部を消すようにマスクします。CutMixは別画像のパッチを入れ、一般に面積に応じてラベルも混ぜます。似た名称でも操作を比較して覚えます。
選択肢ごとの理由
- CutMixは他画像で領域を置換し、Cutoutは領域を隠す（正解）
領域を何で置き換えるかが違います。
- 両者とも文章の言語を変え、画像の加工には使用しない
画像拡張として使われます。
- CutMixは全画素を同じ値にして、画像全体を均一化する
一部を他画像で置き換えます。
- Cutoutは画素を変更せず、正解ラベルの複製のみを行う
画像の一部をマスクする方法です。
覚える要点：Cutoutは隠す、CutMixは別画像の一部を入れる。
公式シラバスを確認