問題 No.1791
モバイル端末やエッジデバイス向けに設計された軽量な畳み込みニューラルネットワークであるMobileNetにおいて、モデルの軽量化や推論の高速化を柔軟に調整するために導入されたハイパーパラメータはどれか。
【正解の解説】
ネットワークの幅を調整する幅乗数（Width Multiplier）と、入力画像の解像度を調整する解像度乗数（Resolution Multiplier）である。
これは料理の味を保ちつつカロリーを調整する「減塩・減量モード」のようなものです。幅乗数は具材の量を全体的に減らし、解像度乗数は盛り付けるお皿を小さくして作業量を減らします。リソースが限られたスマホ上でも、処理速度と賢さのバランスを自由自在にチューニングできるようにするために用意されています。
スポンサーリンク
【その他の選択肢の解説】
畳み込みのカーネルサイズを動的に変更する空間フィルタ乗数と、チャンネル数を削減するチャネル削減係数である。
MobileNetの軽量化の本質は、通常の畳み込みを「深度別分離畳み込み」に分解することにあります。空間フィルタ乗数やチャネル削減係数という専門用語風の言葉に惑わされないようにしましょう。試験では、このように実在しないパラメータ名と本物の技術用語を巧妙に混ぜて混乱を誘う問題が多く出題されるため注意が必要です。
全結合層の重みパラメータを削減するプルーニング率と、モデルの深さを段階的に削減するデプス乗数である。
プルーニングはモデルの枝刈りを行いますが、MobileNetの主要な軽量化の仕組みはネットワーク構造自体の工夫に基づいています。また、デプス乗数という言葉はモデルの深さを直接制御する一般的なハイパーパラメータとしては用いられません。モデルの学習効率と構造設計の基本用語を混同させようとする典型的なひっかけパターンです。
ネットワークの接続構造を自動最適化するアーキテクチャ探索係数と、量子化のビット数を指定する精度乗数である。
自動で最適な構造を探すのはニューラルアーキテクチャサーチであり、MobileNetの設計時にユーザーが手動でサクッと調整するハイパーパラメータとは異なります。ビット数を指定する量子化もモデルを軽くする別のアプローチです。複数の最先端AI技術の用語をごちゃ混ぜにして、初学者の知識の曖昧さを突く典型的なひっかけ選択肢です。