ディープラーニングを学び始めると、必ずと言っていいほど登場するのが「全結合層（ぜんけつごうそう）」です。英語では「Fully Connected Layer」や「Dense Layer」とも呼ばれます。これは、ニューラルネットワークを構成する最も基本的で重要な層（レイヤー）の一つです。
この記事では、ディープラーニング初心者の方でも理解できるように、全結合層の役割や仕組み、具体的な使われ方まで、わかりやすく解説していきます。
全結合層とは？
全結合層とは、その名の通り、前の層にあるすべてのノード（ニューロン）と、次の層にあるすべてのノードが、それぞれ結合している層のことです。 ニューラルネットワークの中では、情報を受け取り、処理し、次の層へと渡すという一連の流れがあります。全結合層は、この情報の伝達において、前の層のすべての情報を余すことなく次の層に伝える構造を持っています。
例えるなら、前の層を「専門家チーム」、次の層を「意思決定チーム」と考えてみましょう。全結合層は、専門家チームのメンバー全員が、意思決定チームのメンバー全員に、それぞれの意見や分析結果を直接伝えるようなものです。これにより、意思決定チームはすべての専門家の情報を統合して、総合的な判断を下すことができます。
全結合層の役割と仕組み
全結合層の主な役割は、前の層から受け取った情報を統合し、最終的な出力（分類や予測など）のために情報を整形することです。 特に、画像認識でよく使われる畳み込みニューラルネットワーク（CNN）では、最終段階で重要な役割を果たします。
CNNでは、前半の「畳み込み層」や「プーリング層」が画像から「エッジ」や「模様」といった局所的な特徴を抽出します。 そして、後半に配置された全結合層が、それらの断片的な特徴をすべて受け取り、「この特徴の組み合わせは猫らしい」「こっちは犬らしい」といった形で、より高次の情報へと変換し、最終的な分類を行います。
全結合層の内部では、主に以下の2つの処理が行われています。
1. 線形変換: 入力データに対して、「重み（Weight）」を掛け合わせ、「バイアス（Bias）」を足し合わせます。これは、入力情報に重要度付けを行うような処理です。
2. 活性化関数による非線形変換: 線形変換された結果を「活性化関数（Activation Function）」と呼ばれる関数に通します。これにより、モデルは単純な直線的な関係だけでなく、より複雑なパターンも学習できるようになります。
メリットとデメリット
全結合層は非常に強力ですが、いくつかのメリットとデメリットがあります。
| 項目 | 説明 |
|---|---|
| メリット | 入力された特徴のあらゆる組み合わせを学習できるため、高い表現力を持ちます。分類問題など、特徴を統合して最終判断を下すタスクに適しています。 |
| デメリット | すべてのノードが結合しているため、ノード数が増えるとパラメータ（重みとバイアス）の数が爆発的に増加します。 これにより、計算コストが高くなったり、学習データに過剰に適合してしまう「過学習（Overfitting）」という現象を引き起こしやすくなります。 また、画像などの空間情報を持つデータを1次元に変換して入力するため、元の空間情報が失われるという側面もあります。 |
Pythonでの実装例 (Keras)
ディープラーニングのフレームワークであるKeras（TensorFlow）では、「Dense」という名前で全結合層を簡単に実装できます。 以下は、手書き数字認識（MNIST）を行う簡単なモデルの例です。
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten, Dense
# モデルの定義
model = Sequential([ # 入力画像(28x28ピクセル)を1次元(784)に変換 Flatten(input_shape=(28, 28)), # 隠れ層として全結合層を追加 # 128個のニューロンを持ち、活性化関数にReLUを使用 Dense(128, activation='relu'), # 出力層として全結合層を追加 # 0から9までの10クラスに分類するため、ニューロン数は10 # 確率を出力するため、活性化関数にsoftmaxを使用 Dense(10, activation='softmax')
])
# モデルの構造を表示
model.summary() この例では、28×28ピクセルの画像データをまず`Flatten`層で784個の数値が並んだ1次元のデータに変換します。 その後、128個のニューロンを持つ全結合層（`Dense`）と、最終的に10クラス（0〜9の数字）に分類するための10個のニューロンを持つ全結合層を配置しています。
まとめ
全結合層は、ディープラーニングにおける最も基本的で不可欠な要素です。 前の層のすべての情報を統合し、次の層へと渡すことで、特に分類問題の最終的な判断などで中心的な役割を担います。パラメータ数が多くなるなどの課題もありますが、その仕組みと役割を理解することは、ディープラーニングのモデルを深く理解する上で非常に重要です。