1-04 畳み込み４層＋全結合２層で認識 ●カーネルをずらしながら積和する畳み込み 　画像から3×3の画素データを取り出し、3×3のフィルタ係数（カーネルと呼ぶ）との積和をとります。 　その処理を図1-31のように、画像の左上から右下にかけて、3×3のエリアをずらしながら続けます。この一連の所作を「畳み込み」といいます。 　また同図では30×30画素の入力に対して畳み込みしていますが、カーネルの動く範囲は28×28なので、その出力は28×28画素になります。 図1-31　画像における畳み込み。カーネルは3x3 ●畳み込みニューラルネットワーク（CNN) 　ニューラルネットワークの前半をこのような「畳み込み層」とすれば、「画素データの2次元的な形状」を推論に反映させることができ、正解率の向上が望めそうです（＊１）。このような手法を「畳み込みニューラルネットワーク, Convolutional Neural Network, CNN」といいます。 （＊１）本企画では前半の4層を畳み込み、後半の2層を全結合のニューラルネットワークとする。全てを全結合型にするよりも正解率が改善する。全結合型NNはこのように単純な行列乗算からなる。 ●白黒なら入力は1chだが・・・ 　カラー画像を扱うのなら、図1‐32のように入力はRGBの3chになります。それぞれの入力に対してカーネルが存在し、積和演算が行われます。さらにそれら3つの結果を足し込んで出力画像1chを計算します。 図1-32 入力3chをそれぞれ積和して足し込む ●出力は16chに増える 　本企画のCNNの1層目は出力が16chあります。それぞれの出力に対してもカーネルが存在するので、カーネル数は図1‐33のように入力3ch×出力16ch＝48個になります（＊２）。 （＊２）係数の数としては、その9倍の432個になる。 図1-33 行方向は入力にかかる係数、列方向は出力を計算するための係数 ●CNNの1層目の仕様は次のようになります。 　入力：　30×30画素、3ch 　出力：　28×28画素、16ch 　係数：　3×16×9＝432個 次のページへ 目次へ戻る