入力層とは、ニューラルネットワークにおいて外部からデータを受け取り、モデル内部へ受け渡す最初の層です。画像やテキスト、数値などの入力データを適切な形式に変換・調整し、続く隠れ層へと伝達する役割を果たします。データの次元数に応じたユニットで構成され、機械学習モデル全体の精度や処理効率の基礎を支える重要なコンポーネントです。
入力層とは
入力層とは、人工ニューラルネットワークにおいて画像や文章、数値などの外部データを受け取り、ネットワークの内部処理へ受け渡す起点となる最前線の層のことです。
詳しく解説
入力層は、ニューラルネットワークのアーキテクチャにおいてデータを最初に処理する部分です。ここでの主な役割は、入力されたデータの特徴量を各ユニット（ノード）に対応させ、後続の隠れ層（中間層）へと信号をそのまま伝達することです。一般に入力層のユニット自体は計算処理を行わず、受け取った数値をそのまま出力します。ただし、入力層に渡す前には、データの正規化や標準化といった前処理が不可欠です。適切な前処理が行われない場合、モデルの学習が不安定になったり、勾配消失や勾配爆発といった問題が生じる原因となります。入力層のユニット数は、扱うデータの特徴量の数（次元数）と厳密に一致させる必要があります。
具体例・使われ方
たとえば、28×28ピクセルの手書き数字画像を認識するモデルの場合、合計784ピクセルの値を入力するため、入力層には784個のユニットが配置されます。また、家賃予測モデルで「面積」「築年数」「駅からの距離」の3つの特徴量を用いる場合、入力層のユニット数は3個になります。
似た用語との違い
隠れ層（中間層）や出力層との違いとして、入力層は重みやバイアスによる積和演算を行わず、入力データをそのまま次の層へ渡す点が挙げられます。隠れ層は入力層からのデータを受け取って複雑な特徴抽出や計算を行い、出力層は最終的な予測結果や分類結果を出力します。
注意点
入力層自体は複雑な演算を行わないため、入力するデータの品質や前処理の精度に大きく依存します。欠損値の処理やデータのスケールを揃える正規化を怠ると、ニューラルネットワーク全体が正しく学習できなくなります。また、入力層のユニット数は入力データの次元数と固定で対応するため、途中で入力データの形式を変更した場合はネットワーク構造全体の再構築が必要になります。