土台
活性化関数とは？意味・仕組みをわかりやすく解説
かっせいかかんすう / Activation Function ／ 最終更新日：2026年7月7日
30秒でわかる定義
活性化関数とは、ニューラルネットワークの各ノードで、入力の重み付き合計を非線形に変換して次の層へ渡す関数です。これがあることで、ネットワークは複雑な（非線形な）パターンを学習できるようになります。ReLUが最もよく使われます。
仕組み・基本の流れ
- 1各ノードで入力×重みの合計を計算する
- 2その値を活性化関数（ReLU・シグモイド・tanh等）で変換する
- 3非線形変換を挟むことで、層を重ねた際に複雑な関係を表現できる
- 4出力層では用途に応じた関数を使う（分類の確率化にはソフトマックス等）
実務でのポイント：活性化関数が無い（線形のみ）と、層をいくら重ねても全体は単純な線形変換にしかならず、複雑なパターンを学べません。中間層ではReLU（計算が速く勾配消失に強い）が標準で、出力層では二値分類にシグモイド、多クラス分類にソフトマックスを使います。
関連する用語
このスキルを活かせる職種と年収は？
活性化関数の役割（非線形性・ReLU/ソフトマックスの使い分け）は、ニューラルネットワークを扱うAI/MLエンジニアの基礎知識です。モデル設計の理由を説明できることが技術面接で評価されます。
よくある質問
Q. なぜReLUがよく使われるのですか？
A. ReLUは計算が非常に軽く、正の入力に対して勾配が一定のため、深いネットワークでも勾配消失が起きにくいためです。シグモイドやtanhに比べて学習が速く安定しやすいことから、中間層の標準的な選択肢になっています。
Q. ソフトマックスとは何ですか？
A. 複数クラスの出力を、合計が1になる確率分布に変換する活性化関数です。多クラス分類の出力層で使われ、各クラスの予測確率を得るために利用されます。