全結合型ニューラルネットワーク（Fully Connected Neural Network）とは
簡単に言ってしまうと、普通のニューラルネットワークです。ディープラーニングの勉強をしていると突然出てきますが、１周回って普通のニューラルネットワークです。
ディープラーニングや機械学習の一種であり、特に多くの人工ニューロン（ユニットまたはニューロンとも呼ばれます）が層と層の間で結合されていることが特徴です。これは、各ニューロンが前の層のすべてのニューロンと接続されていることを意味します。全結合型ニューラルネットワークは、さまざまなタスクに使用されています。
全結合型ニューラルネットワークに必要な要件
- 入力層（Input Layer）： ニューラルネットワークの最初の層で、入力データを受け取ります。入力層のニューロンの数は、入力データの次元数に等しいことが一般的です。たとえば、32x32ピクセルの画像を扱う場合、入力層には32x32＝1024のニューロンがあります。
隠れ層（Hidden Layers）： 1つ以上の隠れ層があり、データの特徴を抽出および変換するために使用されます。各隠れ層のニューロン数や層の数は、ネットワークのアーキテクチャに依存し、タスクに応じて調整されます。隠れ層によって、非線形性を持つことができます。 隠れ層 (hidden layer)は中間層 （intermediate layer)とも言います。
出力層（Output Layer）： ニューラルネットワークの最後の層で、タスクに応じた出力を生成します。たとえば、2クラスの分類問題では、出力層のニューロンは2つあり、各クラスに対する確率やスコアを示します。出力層の活性化関数は、タスクによって異なります。
全結合型ニューラルネットワークでの重要な考え方
- 重み（Weights）とバイアス（Biases）：
各結合には重みが割り当てられ、各ニューロンにはバイアスが関連付けられます。これらのパラメータは、学習アルゴリズムによって調整され、ネットワークがデータからパターンを学習できるようにします。
- 活性化関数（Activation Functions）：
隠れ層と一部の場合、出力層のニューロンで活性化関数が使用されます。活性化関数は、ニューロンの出力を非線形に変換し、ネットワークが非線形関数をモデル化できるようにします。一般的な活性化関数には、シグモイド、ReLU（Rectified Linear Unit）、tanh（双曲線正接）などがあります。
- 損失関数（Loss Function）：
ニューラルネットワークの出力と目標値（正解）との誤差を計算するために損失関数が使用されます。この誤差を最小化するようにネットワークの重みとバイアスを更新することによって学習が進行します。
- 最適化アルゴリズム（Optimization Algorithm）：
重みとバイアスの最適な値を見つけるために、最適化アルゴリズム（例：確率的勾配降下法、Adam、RMSpropなど）が使用されます。これらのアルゴリズムは、損失関数を最小化する方向にパラメータを更新します。
これらの要素を適切に設計し、トレーニングすることで、ニューラルネットワークは多くの複雑なタスクを実行できるようになります。
 | 深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第2版 （EXAMPRESS） [ 一般社団法人日本ディープラーニング協会 ] 価格:3,080円 |
