ニューラルネットワーク構成図・CNNジェネレーター
無料オンライン「ニューラルネットワーク構成図・CNN」ジェネレーター：約90秒でラベル付きの図が完成。AIがまず必須ラベルを設計してから教科書スタイルで描画し、生成後もすべてのラベルを編集可能——論文・課題・スライドにそのまま使えます。
この図に含まれるラベル
- 入力画像 224×224×3
- 畳み込み層 Conv
- 特徴マップ 224×224×64
- 活性化関数 ReLU
- 最大プーリング MaxPool
- 特徴マップ 112×112×64
- 畳み込み層 Conv
- 特徴マップ 112×112×128
- 活性化関数 ReLU
- 最大プーリング MaxPool
- 特徴マップ 56×56×128
- 平坦化 Flatten
- 全結合層 FC
- Softmax出力
✓ 正確なラベル ✓ 生成後に文字修正 ✓ 論文・ポスター・スライド用PNG
OUTPUT · 16:9 · PNGこの図が示すもの
この構成図は、224×224×3の入力画像をCNNが段階的に特徴表現へ変換し、最終的にクラス確率を出力する前向き伝播を示す。三次元直方体の縦・横は空間サイズ、奥行きはチャネル数を表し、各処理による形状変化を可視化している。
第1の畳み込み層は224×224×64の特徴マップを生成し、ReLUで非線形性を導入する。最大プーリング後は112×112×64となり、第2の畳み込みで112×112×128へ変換される。再度のプーリングで56×56×128とし、平坦化、全結合層、Softmaxへ進む。
正しい図に必要な要素
- 入力画像：224×224×3の三次元直方体として描き、高さ・幅・RGBの3チャネルを明記する。
- 畳み込み層：Convの名称と出力特徴マップを対応させ、フィルタによって局所特徴を抽出する処理として示す。
- 特徴マップの寸法：224×224×64、112×112×64、112×112×128、56×56×128を各直方体の近くに記載する。
- 活性化関数：各畳み込み層の後にReLUを配置し、負の値を抑えて非線形な表現を可能にする順序を示す。
- 最大プーリング：MaxPoolの後で空間サイズが半分になる一方、チャネル数は維持される関係を正確に描く。
- 平坦化と全結合層：56×56×128の三次元特徴マップを一次元ベクトルへ変換してからFCへ入力する。
- Softmax出力：全結合層の出力を各クラスの確率分布へ変換し、確率の総和が1になることを示す。
- 前向き伝播の矢印：入力から出力まで左から右へ統一し、層の接続順序とデータの流れを明確にする。
よくある間違い
- 最大プーリングによってチャネル数も半分になると誤認する。通常の2×2 MaxPoolでは空間サイズだけが縮小し、チャネル数は変化しない。
- ReLUを畳み込み層の前に描く。基本的な構成では、畳み込みによる線形変換の後に活性化関数を適用する。
- 平坦化を省略して三次元特徴マップをそのまま通常の全結合層へ接続する。FCへ渡す前に一次元化の過程を示す必要がある。
- 特徴マップの奥行きを画像の物理的な厚さとして解釈する。奥行きは畳み込みフィルタによって生成された特徴チャネル数を表す。
- Softmaxを特徴抽出層として描く。Softmaxは主に分類器の最終段でスコアを正規化し、クラス確率へ変換する処理である。
授業での使い方
CNNの導入後、前向き伝播とテンソル形状を確認する演習で用いる。各層の出力寸法、プーリング後に変化する軸、ReLUの必要性を学生に順番に問うとよい。試験では層の配列だけでなく、空間サイズとチャネル数の推移、Flatten後の要素数56×56×128を計算させる。
この図についてのFAQ
畳み込み層で空間サイズが224×224のままなのはなぜですか。
ストライドを1とし、入力の周囲に適切なゼロパディングを加えると、畳み込み後も高さと幅を維持できる。例えば3×3カーネルでは、通常は周囲に1画素分のパディングを設定する。
畳み込み層でチャネル数が64から128へ増えるのはなぜですか。
出力チャネル数は使用する畳み込みフィルタの個数で決まる。層が深くなるほど多種類の特徴を表現できるよう、空間サイズを縮小しながらチャネル数を増やす構成がよく用いられる。
Flattenと最大プーリングは同じ次元削減処理ですか。
同じではない。最大プーリングは各チャネル内の局所領域を代表値へ縮約するのに対し、Flattenは要素を削除せず、三次元配列を一次元ベクトルへ並べ替える処理である。
