隠れ層・入力層・出力層
解説：データの「料理」プロセス
ニューラルネットワークは、データを受け取ってから結果を出すまでを、役割の異なる3種類の「層（レイヤー）」のリレー形式で行います。
これをレストランの厨房に例えると、それぞれの役割は以下のようにイメージできます。
| 層の名前 | 役割とイメージ |
|---|---|
| 入力層 (Input Layer) |
「食材の受け取り口」 外部からデータ（画像や数値）を受け取り、そのまま次の層へ渡す役割。 ※データの項目数（画像の画素数など）と同じだけの入口（ニューロン）が用意されます。 |
| 隠れ層（中間層） (Hidden Layer) |
「調理場（厨房）」 データの特徴を見つけ出し、計算（調理）を行う最も重要な部分。 入力と出力の間に隠れていて、外からは直接見えないため「隠れ層」と呼ばれます。 ※別名：中間層 |
| 出力層 (Output Layer) |
「完成品の提供」 最終的な予測結果（「これは猫です」や「売上は〇〇円です」など）を外部へ出す役割。 |
深層学習（ディープラーニング）とは？
真ん中の「隠れ層」を何層にも深く重ねたものをディープラーニングと呼びます。「調理工程」を増やすことで、より複雑で繊細な味（高度な特徴表現）が出せるようになるイメージです。
⚠️ 隠れ層を増やす「メリット」と「代償」
G検定対策
出題ポイント
- 可視層 vs 隠れ層：
- 可視層：外部から直接データが見える層（入力層 ＋ 出力層）。
- 隠れ層：外部から直接見えない、ブラックボックスになっている層。
- 役割の定義：「特徴抽出を行うのはどの層か？」→「隠れ層」と答えられるように。
ひっかけ対策
- × 層を増やせば必ず性能が上がる
（解説）過学習や勾配消失問題が起きやすくなり、かえって性能が落ちることがあります。 - × 入力層で計算を行う
（解説）一般的に入力層は「データを受け渡すだけ」で、重み付けや活性化関数の適用は行いません。
