30秒でわかる要点
ニューラルネットワークの各ニューロンで、入力の総和を非線形に変換する関数。ReLU（ランプ関数）、Sigmoid、tanh、Softmaxなどがある。ReLUが最も広く使われている。
「活性化関数」の練習問題
当サイトの練習問題から、この用語に関係する問題をピックアップしました。
Q1活性化関数の役割について最も正確な説明はどれか。
- ニューラルネットワークに非線形性をもたらし、複雑な関数を学習可能にする
- すべての入力を同じ大きさに正規化する
- ニューラルネットワークのメモリ使用量を減らす
- 訓練速度を常に加速させるメカニズムである
答えと解説を見る
正解：A
活性化関数（ReLU、Sigmoid、Tanh等）は、ニューラルネットワークの各層に非線形性を導入。線形な層だけでは線形変換しか学べず、複雑な関数を近似できない。非線形性により、ニューラルネットワークの表現力が飛躍的に向上する。B、C、Dは異なる機能である。
Q2古典的なパーセプトロンで使用される活性化関数は何か。
- ステップ関数である
- シグモイド関数である
- ReLU関数である
- ソフトマックス関数である
答えと解説を見る
正解：A
古典的なパーセプトロンは閾値関数（ステップ関数）を使用します。シグモイドはニューラルネットワークで、ReLUは深層学習で使用されます。
Q3二値分類で出力層の活性化関数として適切なものはどれか。
- シグモイド関数により、出力を0から1の確率に変換する
- ReLU関数により、負の値を0にする
- tanh関数により、出力を-1から1に正規化する
- 恒等関数により、線形な出力を得る
答えと解説を見る
正解：A
二値分類ではシグモイド関数を用いて出力を[0,1]の確率に変換し、クラス1の確率として解釈します。
深層学習の問題をまとめて解いて、理解を確かめましょう（無料・登録不要）。
深層学習の練習問題を解く