人工知能（AI）を支える中核技術であるニューラルネットワーク。
その中でも最初にデータを受け取る重要な部分が「入力層（Input Layer）」です。
本記事では、入力層の役割や仕組み、具体例を交えながら、初心者にもわかりやすく解説します。
入力層とは何か
入力層とは、ニューラルネットワークにおいて、外部からのデータを最初に受け取る層のことです。
ニューラルネットワークは一般的に以下の3つの層で構成されます。
- 入力層（Input Layer）
- 隠れ層（Hidden Layer）
- 出力層（Output Layer）
この中で入力層は、「AIに情報を与える入口」としての役割を担っています。
入力層の役割と仕組み
外部データを受け取る
入力層の主な役割は、外部からのデータをそのまま受け取ることです。
例えば：
- 画像データ
- 数値データ
- テキストデータ（数値化されたもの）
これらを「数値」としてモデルに渡します。
ノード（ニューロン）の構造
入力層には複数のノード（ニューロン）が並んでいます。
それぞれのノードは、
- 1つの入力変数（特徴量）に対応
- 受け取った値を次の層へ伝達
というシンプルな役割を持っています。
重み付けによる伝達
入力層のノードは、受け取った値をそのまま送るのではなく、
- 重み（weight）と呼ばれる係数をかけて
- 次の層へデータを渡します
この重みは学習によって調整され、モデルの精度に大きく影響します。
入力層の具体例
画像認識の場合
例えば、8×8ピクセルの画像を扱う場合：
- ピクセル数：64
- 入力層のノード数：64
各ノードがそれぞれのピクセルの色情報（数値）を受け取ります。
回帰モデル（価格予測）の場合
中古車の価格を予測するAIでは、次のような変数が入力になります。
- 車種
- 年式
- 走行距離
- 色
この場合、それぞれの項目に対応するノードが入力層に配置されます。
入力層と特徴量設計の関係
入力層の設計は、「どんな情報をAIに与えるか」に直結します。
特徴量（Feature）とは
特徴量とは、モデルに入力するデータの要素のことです。
ポイント
- 良い特徴量 → 高精度なモデル
- 不適切な特徴量 → 精度低下
日本の実務での具体例
例えばECサイトのレコメンドでは：
- 購入履歴
- 閲覧履歴
- 年齢・性別
などを入力層に与えることで、より精度の高い推薦が可能になります。
入力層の注意点
データ前処理が重要
入力層に渡す前に、以下の処理が必要になることが多いです。
- 正規化（スケールを揃える）
- 欠損値の補完
- カテゴリ変数の数値化
入力の質が結果を左右する
AI開発ではよく、
「Garbage In, Garbage Out（ゴミを入れればゴミが出る）」
と言われます。
つまり、入力層に与えるデータの質が、そのまま結果の質に直結します。
まとめ
入力層は、ニューラルネットワークにおける「データの入口」です。
ポイント整理
- 外部データを受け取る最初の層
- 各ノードが特徴量に対応
- 重み付けされて次の層へ伝達
- 入力データの質がモデル性能を左右
入力層の理解は、AIの基礎を押さえるうえで非常に重要です。
これから機械学習やディープラーニングを学ぶ方は、「どのようなデータを入力するか」という視点を意識することで、より実践的なスキルを身につけることができるでしょう。
こちらもご覧ください：Rainbowとは？DQNを進化させた最強クラスの強化学習アルゴリズムを徹底解説
