畳み込みニューラルネットワーク (CNN)

畳み込みニューラルネットワーク（CNN：Convolutional Neural Network）は、画像認識や音声処理など、**グリッド状のデータ（配列データ）**を扱うために特化したディープラーニングモデルです。

特に画像認識の分野で最も成功を収めたモデルであり、現代のAI技術において不可欠な存在となっています。

🖼️ CNNの主要な構成要素

従来のニューラルネットワーク（全結合型ネットワーク）は、画像のような大規模なデータに対してはパラメータ数が膨大になりすぎ、効率的な処理が困難でした。CNNは、以下の3種類の層を組み合わせて用いることで、この問題を解決し、効率的な特徴抽出と分類を実現します。

Shutterstock

1. 畳み込み層 (Convolutional Layer)

CNNの核となる部分であり、特徴抽出を行います。

• フィルター（カーネル）: この層では、画像全体を小さな行列（フィルターまたはカーネル）でスキャン（畳み込み演算）します。

• 特徴マップの生成: フィルターは、画像の中の**特定のパターン（エッジ、角、テクスチャなど）を検出し、その結果を特徴マップ (Feature Map)**として出力します。

• パラメータの共有: 1つのフィルターは画像内の全ての場所で共有されます。これにより、パラメータ数を大幅に削減しつつ、画像内のどこに特徴があっても検出できる位置不変性（Translation Invariance）を獲得します。

2. プーリング層 (Pooling Layer)

畳み込み層の後に配置され、情報の圧縮とノイズ低減を行います。

• ダウンサンプリング: 特徴マップのサイズを小さく（ダウンサンプリング）し、データ量を削減します。

• 主な手法: 最も一般的なのはMaxPooling（最大値プーリング）で、特定の領域（例: $2 \times 2$）内の最大値のみを取り出して次の層に渡します。

• 効果: サイズの削減により計算負荷を軽減し、小さな位置のズレや変形に対して頑健性を持たせます。

3. 全結合層 (Fully Connected Layer / FC Layer)

ネットワークの最終段階に位置し、抽出された特徴から分類や回帰の判断を下します。

• 入力: 畳み込み層とプーリング層を何層か通過した後、最後の特徴マップは1次元のベクトルに変換（平坦化/Flatten）されます。

• 処理: このベクトルが、通常のニューラルネットワークと同じように全結合層に入力され、最終的な出力（例：画像が「猫」である確率、「犬」である確率など）を計算します。

⚡️ GPUとCNNの密接な関係

CNNの計算がGPUで高速に処理されるのは、その構造がテンソル演算の並列化に最適だからです。

• 畳み込み演算の並列性: 畳み込み層では、入力テンソルの異なる領域に対するフィルターの適用や、異なるフィルターの演算を、数千のGPUコアが完全に独立して同時に実行できます。

• 行列演算の多用: 全結合層や、畳み込み演算の効率的な実装には、大規模な行列の乗算が頻繁に使われます。これはGPUが最も得意とする並列計算です。

これにより、CNNは巨大な画像データセットに対しても、従来のCPUベースのシステムでは考えられない速さで学習と推論を行うことが可能になっています。

光ニューラルネットワークが光回路を使ってどのように高速情報処理を行うかについて、さらに詳細を知ることができます。(畳み込み演算)