ディープラーニングの基本＃２：全結合層（Fully Connected Layer）とは

全結合層（Fully Connected Layer）とは

全結合層は、ディープラーニングにおいて最も基本的な層の一つです。名前の通り、前の層にあるすべてのニューロンと、次の層のすべてのニューロンが結合している構造を持っています。ニューラルネットワークの初期から使われてきた、非常にシンプルで分かりやすい仕組みです。

全結合層の役割と特徴

全結合層の主な役割は、前の層で抽出された特徴を統合し、最終的な判断につなげることです。
たとえば画像認識では、畳み込み層などによって抽出された特徴を受け取り、「それが何であるか」を判断する部分として使われます。
全結合層の特徴としては、

• 入力情報をすべて考慮できる

• 表現力が高い

• 構造が理解しやすい

といった点が挙げられます。そのため、分類や回帰といったタスクの出力部分では、今でも重要な役割を担っています。

出力層・分類層としての使われ方

全結合層は、特に出力層や分類層としてよく使われます。
たとえば、

• 画像がどのクラスに属するか

• 数値をどの程度と予測するか

といった最終的な判断は、全結合層を通じて行われることが一般的です。
ソフトマックス関数やシグモイド関数と組み合わせることで、確率として結果を解釈できる点も大きな特徴です。
このように、全結合層はディープラーニングモデルの「出口」としての役割を担うことが多い層だといえます。

全結合層の限界と課題

一方で、全結合層を高次元データに直接適用する際には課題もあります。
最も大きな課題は、パラメータ数が非常に多くなりやすい点です。
入力の次元が大きくなるほど、

• 計算量が増える

• メモリを多く消費する

• 過学習を起こしやすくなる

といった問題が生じます。特に画像のように高次元のデータを、そのまま全結合層に入力するのは現実的ではありません。
こうした課題を解決し、画像の空間構造を効率的に扱うために考えられたのが、次回の記事で紹介する「畳み込み層」です。畳み込み層は特徴抽出を担い、全結合層は最終判断を担うという役割分担が一般的になりました。

ここまでお読み頂きありがとうございます。
AIって何？ AIの歴史から最新情報まで、わかりやすく説明した、
これまでの記事（マガジン）の一覧をプロフィールページにまとめています。
AIの全体像をつかむヒントになると思いますので、ぜひご覧ください。

＜前へ
ディープラーニングの基本＃１｜ディープラーニングを支える要素技術とはー構造と工夫を理解する

次へ＞
ディープラーニングの基本＃３｜畳み込み層（Convolutional Layer）とは

免責事項
・本記事は生成AI（ChatGPT等）を活用して執筆しています。内容の正確性・最新性には十分配慮しておりますが、誤りや古い情報が含まれる場合があります。ご利用・ご判断はご自身の責任でお願いいたします。万一、著作権等に問題がある場合はご連絡ください。