DNN CNN RNNの違いとは｜簡単にわかりやすく解説

AIや深層学習を学び始めると、必ず登場するのが「DNN」「CNN」「RNN」という3つのモデルです。どれもニューラルネットワークの仲間ですが、構造も得意分野も異なります。この記事では、それぞれの仕組みと特徴を図で整理し、「どんな課題に、どのモデルを使えばいいのか」をわかりやすく解説します。

監修者プロフィール

森下浩志

日本最大級のAI情報プラットフォーム「romptn ai」編集長。著書に「0からはじめるStable Diffusion」「0からはじめるStable Diffusion モデル・拡張機能集編」など、AmazonベストセラーのAI関連書籍を多数執筆。AIにおける情報の非対称性を解消するための社内研修や出張講義も行う。

3つのモデルの全体像をまず掴もう

深層学習でよく使われる代表的なモデルは、DNN（全結合）・CNN（畳み込み）・RNN（再帰） の3つです。
どれも「入力 → 隠れ層 → 出力」という基本構造を共有しながら、情報の処理方法が異なります。

イメージ図（構造の違い）

DNN：入力 → [全結合層] → 出力
CNN：入力画像 → [畳み込み＋プーリング] → 分類
RNN：入力t1→出力t1→次時点t2へ伝達（時間の流れを保持）

DNNは汎用型、CNNは空間データに強く、RNNは時間や文脈を理解するタイプです。

DNNとは？最も基本的なニューラルネットワーク

特徴
DNN（Deep Neural Network）は最も基本的なモデルで、すべての層が全結合しています。
入力の全要素を組み合わせながら特徴を学習し、非線形な関係を捉えることができます。

得意分野

• 数値や表形式データ
• 構造を持たない一般的なデータセット
• 属性や数値が混ざるビジネスデータ分析

代表的な用途

• 売上・需要予測
• 顧客離脱スコアリング
• 異常検知・分類モデルの基礎構築

まず試すモデルとして最適であり、他のネットワークの基礎にも組み込まれることが多いです。

CNNとは？画像や空間データに強いモデル

特徴
CNN（Convolutional Neural Network）は、画像や音声など“位置関係”を持つデータを扱うために設計されたモデルです。小さな領域にフィルターを適用し、エッジや模様などの局所特徴を抽出して全体を理解します。

処理の流れ（ポイント）

入力画像 → 畳み込み層（特徴抽出）
　　　　→ プーリング層（要約）
　　　　→ 全結合層（分類）
　　　　→ 出力（例：犬／猫）

得意分野

• 画像・映像・医用画像
• 音声波形・センサー信号（1D-CNN）
• 空間構造を持つデータ全般

代表的な用途

• 画像分類・物体検出
• 医療・製造業での外観検査
• 音声感情分析・特徴抽出

CNNは「部分を見て全体を理解する」構造を持ち、パラメータ数が少なく学習効率に優れています。

RNNとは？時間や文脈を理解するネットワーク

特徴
RNN（Recurrent Neural Network）は、時間の流れや文脈を理解することに特化したモデルです。
前の時点の情報を“隠れ状態”に保持しながら、次の入力を処理します。

概念イメージ

入力t1 → 出力t1 → 状態を次へ
入力t2 → 出力t2 → …

得意分野

• 時系列データ（株価・需要・センサー）
• 文章・音声など順序が意味を持つデータ
• 連続的な変化を持つ信号処理

代表的な用途

• テキスト分類・感情分析
• 音声認識・要約生成
• 時系列予測・異常検知

RNNは文脈を保持できる反面、長期依存の学習が難しい課題がありました。この問題を解消するために、LSTMやGRUといった改良版が登場しています。Transformerが主流となった現在でも、軽量・リアルタイム処理の領域ではRNNが活用されています。

用途で選ぶ！DNN・CNN・RNNの判断フロー

モデル選びで迷ったら、「データの形」と「目的」で判断しましょう。

選び方の基本

データが：
 ┣ 表形式・数値 → DNN
 ┣ 画像・映像 → CNN
 ┣ 時系列・文章 → RNN
 ┗ 長文・大規模 → Transformer

最先端モデルを選ぶよりも、データ構造に適したモデルを選ぶことが精度向上の近道です。

最新動向と“いま”の位置づけ

近年は、RNNの逐次処理の制約を克服したTransformerが主流となっています。
Transformerは「自己注意機構（Self-Attention）」によってすべての入力を同時に学習でき、
長文や大規模データの処理を得意としています。

一方で、DNN・CNN・RNNは依然として多くの現場で重要な役割を担っています。
特に以下のような場面では今も活用されています。

AIの世界では、「最適なモデルを課題ごとに選ぶ」という実践的な視点が重視されています。

よくある質問（FAQ）

Q1. LSTMとGRUの違いは？
LSTMは精度重視、GRUは構造がシンプルで高速。軽量化を重視する場合はGRUが向きます。

Q2. 1D-CNNとRNNはどう使い分ける？
周期的パターンが多いデータには1D-CNN、文脈や順序関係を重視するデータにはRNNが適しています。

Q3. モデルを選ぶときの基本基準は？
「データの形 × 目的 × 制約（速度・コスト）」で判断します。
まずDNNで試し、必要に応じてCNNやRNNを使い分けるのが実務的です。

まとめ（学びと理解の整理）

DNN・CNN・RNNはいずれもニューラルネットワークの発展形であり、
扱うデータ構造によって得意分野が異なります。

• DNN：数値や表形式など、一般的な特徴抽出
• CNN：画像や空間的特徴を扱う
• RNN：時間や文脈のつながりを理解する

AIモデル選択の基本は「新しさ」ではなく、「課題との適合性」。この3つのモデルの特徴を理解しておけば、Transformerをはじめとする次世代モデルの位置づけも自然に把握できるようになります。