ディープラーニングの心臓部！Dense層（全結合層）が情報を整理する仕組みを徹底解説
山崎講師こんにちは。ゆうせいです。
AIのモデル構造を見ていると、必ずと言っていいほど登場するのが「Dense層」です。
カタカナで書くと難しそうですが、実はニューラルネットワークの中で「情報の統合」を一手に引き受ける、とっても働き者なパーツなんですよ。
みなさんは、バラバラのパズルのピースを組み合わせて、一つの絵を完成させたことはありますか？Dense層の役割は、まさにその「組み立て」にあります。
Dense層（全結合層）とは何者か？
Dense（デンス）という言葉には「密集した」という意味があります。
日本語では「全結合層（ぜんけつごうそう）」と呼ばれますが、その名の通り、前の層にあるすべての要素と、次の層にあるすべての要素が「ベタ貼り」状態でつながっている層のことです。
専門用語の解説：全結合（ぜんけつごう）
全結合とは、前の階層のメンバー全員が、次の階層のメンバー全員と握手をしているような状態を指します。
例えば、画像認識AIの場合を考えてみましょう。
前の層で「丸い形がある」「赤い色がある」「ヘタがついている」といった個別の特徴が見つかったとします。Dense層は、これらすべての情報を一度に受け取り、「赤くて丸くてヘタがあるなら、これはリンゴだ！」と最終的な判断を下すための「まとめ役」を担っているのです。
Dense層が計算している中身をのぞいてみよう
Dense層では、具体的に何が行われているのでしょうか？
ここでは、入力されたデータに対して「重み（おもみ）」を掛け合わせるという計算をしています。
専門用語の解説：重み（Weight）
重みとは、その情報の「重要度」を表す数字です。
例えば、果物を見分けるときに「色」という情報は重要ですが、「背景に雲があるか」という情報はあまり関係ありませんよね。AIは学習を通じて、重要な情報には大きな数字を、関係ない情報には 
数式で表すと、出力 
出力 
ここで出てくる「バイアス 
Dense層のメリットとデメリット
非常に強力なDense層ですが、万能というわけではありません。
メリット
- 全体の情報を把握できる：すべてのデータを網羅的に見るため、複雑なパターンの組み合わせを理解する能力が高いです。
- 汎用性が高い：画像、音声、テキストなど、どんな種類のデータでも最後の「分類」ステップで活躍します。
デメリット
- パラメータが膨大になる：全員が全員とつながるため、層が深くなると計算量が爆発的に増えてしまいます。
- 位置関係に弱い：例えば、画像の右上に「目」があるか左下にあるかといった、情報の配置場所を考慮するのが苦手です（これを補うのがCNNなどの他の層です）。
Dense層を使いこなすためのヒント
学習をスムーズに進めるために、以下のポイントを意識してみましょう。
- 最後の層のユニット数：分類したい種類の数に合わせます（3種類の果物ならユニット数は
）。
- 活性化関数のセット：Dense層の直後には、情報を整理するための「活性化関数（ReLUやSoftmax）」をセットで使うのがお約束です。
次の学習へのステップ
Dense層が「情報を一つにまとめて判断を下す場所」だということが伝わりましたか？
AIのモデルは、このDense層を何枚も重ねることで、より高度な判断ができるようになっていきます。
次にステップアップするなら、以下のことを調べてみるのがおすすめです。
- Dense層の前に置かれることが多い「Flatten（フラットゥン）層」の役割を調べてみる。
- 実際にプログラムで
layers.Dense(units=64)のように数字を変えて、精度がどう変わるか試してみる。
もし、Dense層を何層くらい重ねるのがベストなのか気になったら、いつでも聞いてくださいね！
セイ・コンサルティング・グループでは新人エンジニア研修のアシスタント講師を募集しています。
投稿者プロフィール
