ディープラーニングの「ストライド」とは？初心者にも分かりやすく解説

ストライドとは、一言で言うと「フィルター（またはカーネル）を動かす歩幅」のことです。

畳み込みニューラルネットワーク（CNN）では、入力データ（例えば画像）に対して「フィルター」と呼ばれる小さな行列をスライドさせながら計算（畳み込み演算）を行い、データの特徴を抽出します。このフィルターを、入力データ上で一度にどれくらいの距離を移動させるかを決めるのがストライドです。

• ストライドが1 (Stride=1): フィルターを1ピクセルずつ、細かく動かします。
• ストライドが2 (Stride=2): フィルターを2ピクセルずつ、大きく動かします。

この「歩幅」の大きさが、後続の処理に大きな影響を与えます。ストライドは主に「畳み込み層」と「プーリング層」という2つの場所で利用されますが、基本的な意味はどちらも同じです。

畳み込み層の役割は、画像からエッジや模様といった局所的な特徴を検出することです。ここでストライドが重要な役割を果たします。

ストライドの値を変更すると、出力される特徴マップ（Feature Map）のサイズが変わります。特徴マップとは、フィルターによって抽出された特徴をまとめたものです。

出力サイズの計算式は以下の通りです。（※パディングがない場合）

例えば、5×5の入力画像に3×3のフィルターを適用する場合を考えてみましょう。

• ストライドが1の場合:
  (5 – 3) / 1 + 1 = 3 となり、出力は 3×3 の特徴マップになります。入力情報をより密に捉えることができます。
• ストライドが2の場合:
  (5 – 3) / 2 + 1 = 2 となり、出力は 2×2 の特徴マップになります。出力サイズが小さくなり、情報の抽出は粗くなりますが、計算コストを削減できます。

このように、ストライドを大きくすると、出力される特徴マップの次元が削減される（ダウンサンプリングされる）効果があります。

Pythonコードでの指定例 (TensorFlow/Keras)

実際のコードでは、畳み込み層（Conv2D）の引数としてstridesを指定します。

import tensorflow as tf
from tensorflow.keras import layers
# ストライドが (1, 1) の場合
conv1 = layers.Conv2D(filters=32, kernel_size=(3, 3), strides=(1, 1), padding='valid')
# ストライドが (2, 2) の場合
conv2 = layers.Conv2D(filters=64, kernel_size=(3, 3), strides=(2, 2), padding='valid') 

strides=(1, 1)は、縦方向と横方向の移動量をそれぞれ1に設定することを意味します。

プーリング層は、畳み込み層で抽出された特徴マップを圧縮し、計算負荷を軽減したり、多少の位置のズレを吸収したりする役割を持ちます。代表的なものにマックスプーリング（Max Pooling）があります。

プーリング層でも、畳み込み層と同様にストライドが使われます。これは、プーリングを行う範囲（ウィンドウ）をどれだけ動かすかを指定するものです。

一般的に、プーリング層ではウィンドウサイズとストライドの値を同じに設定することがよくあります。例えば、2×2のウィンドウでプーリングを行う場合、ストライドも2に設定します。これにより、プーリングの範囲が重なることなく、特徴マップのサイズをきれいに半分にすることができます。

Pythonコードでの指定例 (TensorFlow/Keras)

プーリング層（MaxPooling2D）でも、同様にstrides引数で指定します。

import tensorflow as tf
from tensorflow.keras import layers
# 2x2のウィンドウサイズで、ストライドを2に設定
# この場合、stridesを指定しなくてもデフォルトでpool_sizeと同じ値が設定されることが多い
pooling_layer = layers.MaxPooling2D(pool_size=(2, 2), strides=(2, 2)) 

ストライドは単なる「歩幅」ですが、その値はモデル全体の性能や特性に大きく影響します。ストライドを調整することは、一種のトレードオフの関係にあります。