問題 No.1836
畳み込みニューラルネットワークにおいて、特徴マップの空間方向のサイズを縮小するプーリング層の性質として正しいものはどれか。
【正解の解説】
畳み込み層とは異なり、一般的にフィルターの重みなどの学習可能なパラメータを持たない。
これは巨大なパズル画像を手元で見るときに、少し離れて全体をぼんやりと眺めるような作業です。細かいピクセルの調整をする必要がないため、覚えるべきパラメータ（重み）が存在せず、計算をシンプルにしながら画像の大まかな特徴だけを残すことができます。
スポンサーリンク
【その他の選択肢の解説】
畳み込み層と同様に、入力データの特徴量を抽出するためのフィルターの重みパラメータを持つ。
初学者が最も勘違いしやすいポイントですが、畳み込み層が「ピクセルをどう見るか」を一生懸命学習するのに対し、プーリング層は「決まったルールで小さくまとめる」だけなので、自分で勉強して賢くなる部分が全くないのが特徴です。
全結合層とは異なり、ネットワークの最終段において一次元の確率分布を出力する役割を持つ。
ネットワークの最終段で分類結果の確率を出力するのは全結合層や出力層の役割です。プーリング層はネットワークの途中で画像サイズを縮小するために挟まれるものであり、最終的な答えを出す場所とは全く異なります。
活性化関数とは異なり、ネットワーク全体の表現力を高めるために非線形な変換を付与する。
非線形な変換を与えてAIに複雑なパターンを学習させるのはReLUなどの活性化関数の仕事です。プーリング層はサイズダウンと位置ズレへの頑健性を持たせるためのものであり、役割の混同に注意が必要です。