CNN と RNN の違い
画像の局所的な特徴か、時系列の相関か

更新日 2026年11月6日読む時間の目安約5分

この記事の要点

CNN（畳み込みニューラルネットワーク）は、畳み込み層とプーリング層で局所的な特徴を抽出するモデルで、主に画像認識や動画認識に使われます。
RNN（再帰型ニューラルネットワーク）は、隠れ層に自己フィードバックを持ち、時系列の相関があるデータを扱えるモデルで、音声認識・機械翻訳・センサデータの分析に使われます。
「画像・動画ならCNN、時系列ならRNN」と、扱うデータの形で見分けます。

この記事の目次

CNN とは
RNN とは
違いを表で比べる
試験での問われ方
覚え方
第3章の問題を解いてみる
よくある質問

CNN とは

畳み込みニューラルネットワーク（Convolutional Neural Network）の略です。隠れ層で、畳み込み層とプーリング層を交互に繰り返してデータの特徴を抽出し、最後に全結合層で認識を行います。

畳み込み層: 画像データなどの、局所的な部分から特徴を抽出する。
プーリング層: 特徴量の不変性（位置が少しずれても値が変わらない性質）を保つために使う。

2次元や3次元の構造を持つデータで力を発揮するので、主に画像認識や動画認識によく使われます。

RNN とは

再帰型ニューラルネットワーク（Recurrent Neural Network）の略です。隠れ層に自己フィードバックを持ち、過去の出力と現在の入力を使って計算します。そのため、時系列の相関があるデータを扱えるのが特徴です。

音声合成や音声認識、機械翻訳といった自然言語処理のほか、IoT で得られるセンサデータの分析にもよく利用されます。

CNN・RNN・オートエンコーダの見分け方（もちこ道場のまとめ）

違いを表で比べる

比べること	CNN	RNN
正式名称	畳み込みニューラルネットワーク	再帰型ニューラルネットワーク
構造の特徴	畳み込み層とプーリング層を交互に繰り返し、最後に全結合層	隠れ層に自己フィードバックを持つ
得意なデータ	2次元・3次元の構造を持つデータ（画像・動画）	時系列の相関があるデータ
主な使い道	画像認識、動画認識	音声合成・音声認識、機械翻訳、センサデータの分析
抽出するもの	局所的な特徴	過去の出力と現在の入力にもとづく、時系列の関係

試験での問われ方

IoTシステム技術検定中級では、第3章「IoTデータ活用技術」で出ます。問題データでは、次のような問われ方をしています。

穴埋め（空欄1つ）: 「時系列の相関があるデータを扱え、音声合成や音声認識、機械翻訳、センサデータの分析にも使われる」に RNN を選ぶ。選択肢には、CNN・オートエンコーダ・深層強化学習が並びます。「出力層が入力層と同じ数のノードを持ち、隠れ層が少ない」ならオートエンコーダです。
正しい記述の組み合わせを選ぶ: 「CNN は画像・動画認識で局所的な特徴の抽出に優れる」「RNN は時系列の相関があるデータを扱える」といった記述が正しいと見抜く。「オートエンコーダの入力層と出力層のノード数が異なり、次元圧縮には使えない」は誤りです。
不適切な記述を選ぶ: 「CNN も時系列の相関があるデータを得意とし、音声合成や機械翻訳にも使われる」のように、RNN の特徴を CNN にすり替えた記述を見抜く。

覚え方

CNN は「画像の局所」。畳み込み層が画像の局所的な部分から特徴を取り出す、と結び付けます。
RNN は「時間の流れ」。隠れ層に自己フィードバックがあるので、前の出力を次に使えます。音声やセンサデータのように、時間に沿って並ぶデータを思い浮かべます。
オートエンコーダは「入出力が同数で、圧縮する」。ノイズ除去や次元圧縮と結び付けます。
選択肢に CNN と RNN が並んだときは、問題文に「画像・動画」とあるか、「時系列・音声・センサ」とあるかを先に探します。

第3章のほかの用語は「第3章 IoTデータ活用技術の要点」にまとめています。

第3章の問題を2問、解いてみる

もちこ道場の第3章の問題です。演習画面と同じ解説（図解・選択肢ごとの解説）を付けています。

問1

時系列の相関があるデータを扱え、音声合成や音声認識、機械翻訳といった自然言語処理のほか、IoTで得られるセンサデータの分析にもよく利用される深層学習モデルは1である。

答えと解説を見る

正解は 4（RNN）です。

【概要】

RNNは隠れ層に自己フィードバックを持つ再帰型ニューラルネットワークで、時系列の相関があるデータを扱え、音声やセンサデータの分析に使われる。

【図解】実験的機能

図解は実験的機能です。内容を簡略化しているため、公式テキストの記載と異なることがあります。

【各選択肢の解説】

1. CNNあなたの解答 CNNは畳み込み層とプーリング層で局所的な特徴を抽出するモデルで、主に画像認識や動画認識に使われる。
2. オートエンコーダあなたの解答オートエンコーダは入力を再現する低次元の表現を取り出すモデルで、ノイズ除去や次元圧縮に用いられ時系列向けではない。
3. 深層強化学習あなたの解答深層強化学習は強化学習と深層学習を組み合わせ、報酬をもとに行動を決めるモデルであり、時系列データ分析の代表例ではない。
4. RNN正解あなたの解答 RNNは過去の出力と現在の入力を用いて計算し、時系列の相関を扱えるため音声認識や機械翻訳、センサデータ分析に使われる。

問2

出力層が入力層と同じ数のノードを持ち、隠れ層のノードは入力層より少ない構成のニューラルネットワークを1という。入力データ自身を教師データとして使う教師なし学習であり、ノイズの除去や次元圧縮に有効である。

答えと解説を見る

正解は 4（オートエンコーダ）です。

【概要】

オートエンコーダは、入力データを再現できる低次元の表現を取り出すニューラルネットワークである。隠れ層で情報を絞り込むため、情報圧縮の機能を持つ。

【図解】実験的機能

図解は実験的機能です。内容を簡略化しているため、公式テキストの記載と異なることがあります。

【各選択肢の解説】

1. CNNあなたの解答 CNNは、畳み込み層とプーリング層を交互に繰り返して特徴を抽出する構成で、画像認識や動画認識によく使われ、入力データ自身を教師とするものではない。
2. RNNあなたの解答 RNNは、隠れ層に自己フィードバックを持ち、時系列の相関があるデータを扱える構成であり、入力と出力のノード数が同じ構成ではない。
3. 深層強化学習あなたの解答深層強化学習は、強化学習と深層学習を組み合わせ、行動価値を深層学習の仕組みで表すものであり、情報圧縮を目的としたものではない。
4. オートエンコーダ正解あなたの解答問題文の入力層と出力層が同数のノード、隠れ層が少ない、入力データ自身を教師とするという特徴がそろう。