活性化関数とは【図解でわかりやすく】

最終更新日：2026年7月14日

30秒でわかる結論

活性化関数は、ニューラルネットワークの各ノードで「信号をどう変換して次に渡すか」を決める関数。この仕組みのおかげでAIは直線で表せない複雑なパターンを学習できる。代表的な種類：シグモイド（古典的・0〜1）・ReLU（現在の主流・マイナスは0）・tanh（-1〜1）の3つ。

活性化関数＝信号に「ひとひねり」を加える変換器。これがないと複雑なパターンを表現できない。

活性化関数はG検定で必ずと言っていいほど問われる基本概念です。3種類の関数の形状と特徴を図解でつかみましょう。

図解

解説

各ノードでは「①入力信号を合計→②活性化関数で変換→③次へ出力」という処理が行われます。活性化関数がないと、ネットワークは足し算と掛け算だけの単純な計算機になり、どれだけ層を重ねても直線的な関係しか表現できません。活性化関数の非線形変換（まっすぐじゃないひとひねり）のおかげで、複雑なパターンを表現できるのです。代表例：シグモイド関数（0〜1に収める・勾配消失しやすい）、ReLU（マイナスは0、プラスはそのまま・現在の定番）、tanh（-1〜1に収める）。

具体例

スパムメール判定AIの例：受信メール本文のパターンが各ニューロンを通るたびに活性化関数で変換され、最終的に「スパムか否か」を判定します。ReLUであれば「意味のある特徴のみを前に伝え、無関係なノイズは0にカット」するフィルタとして機能します。ChatGPTなどの大規模言語モデルにも活性化関数（GELU等の亜種）が使われています。

間違えやすい類似用語

損失関数：損失関数は「予測と正解のズレを数値化する」関数。活性化関数は「信号を変換する」関数。役割がまったく異なるが、G検定では混同させる選択肢として頻出。
重み（パラメータ）：重みは接続の強さを示す数値で、学習によって自動更新される。活性化関数は変換の形を人間が設計時に選ぶ点で異なる（重みは学習対象・活性化関数は設計の選択）。

覚え方

合計→ひとひねり（活性化関数）→次へ。ひねりが表現力の源。

試験での問われ方

G検定では「活性化関数の役割」「各関数（ReLU・シグモイド・tanh）の特徴と違い」「勾配消失問題とReLUの関係」が頻出。特に「活性化関数がなければ層を重ねても線形変換しかできない」という本質と、「ReLUが定番になった理由＝勾配消失しにくく計算が速い」の2点を押さえましょう。

確認問題

ニューラルネットワークの各ノードでは、受け取った信号をそのまま流すのではなく、「ある関数を通して変換してから次へ送る」という処理をします。この関数のおかげで、ネットワークは複雑なパターンを表現できます。入力された信号を変換して出力を決める、この関数を何と呼ぶでしょう？

A. 活性化関数
B. 損失関数
C. 確率関数
D. 変換関数

正解：A. 活性化関数

活性化関数がないと、ニューラルネットワークは足し算・掛け算だけの単純な計算機になり、どれだけ層を重ねても直線的な関係しか表現できません。活性化関数が信号に「ひとひねり（非線形性）」を加えることで、複雑なパターンを表現できます。代表例：シグモイド（0〜1・勾配消失しやすい）、ReLU（マイナスは0・現在の定番）、tanh（-1〜1）。損失関数は「予測と正解のズレを測る」別物です。

活性化関数の問題を解いてみる →