MultiLayerNetworkとComputationGraphの違いと使い分け

機械学習フレームワーク Deeplearning4j（DL4J） において、ニューラルネットワークを構築する際には、主に以下の2つのクラスが使用されます：

• MultiLayerNetwork

• ComputationGraph

これらはどちらもニューラルネットワークのモデル定義に使用されますが、構造の柔軟性や用途が異なります。以下にその違いと使い分けを詳しく説明します。

---

1 MultiLayerNetwork（多層パーセプトロン）

概要

MultiLayerNetwork は、**直列的なレイヤー構成（フィードフォワード構造）**のネットワークに適しています。各レイヤーは順番にデータを受け渡します。

特徴

• 入力層 → 中間層（複数可） → 出力層という単一の入力・出力構造。

• 実装がシンプルで学習が容易。

• 構成ファイルは MultiLayerConfiguration を使って定義。

主な用途

• MNISTのような単一入力・単一出力の分類タスク。

• 単純な回帰タスク。

• 入門用・シンプルなプロトタイピング。

使用例

java
MultiLayerConfiguration config = new NeuralNetConfiguration.Builder()
    .list()
    .layer(new DenseLayer.Builder().nIn(784).nOut(100).activation(Activation.RELU).build())
    .layer(new OutputLayer.Builder().nIn(100).nOut(10).activation(Activation.SOFTMAX).build())
    .build();

MultiLayerNetwork model = new MultiLayerNetwork(config);
model.init();

---

2 ComputationGraph（計算グラフ構造）

概要

ComputationGraph は、**複雑なネットワーク構造（マルチ入力・マルチ出力、ブランチ、マージ、共有層など）**を表現するためのクラスです。

特徴

• 複数の入力や出力を持てる。

• 任意のレイヤー同士を柔軟に接続できる。

• より複雑な依存関係を記述できる。

• 構成ファイルは ComputationGraphConfiguration を使って定義。

主な用途

• マルチモーダル学習（例：画像＋テキスト）。

• Siameseネットワーク、Attentionモデル。

• GANやオートエンコーダーなどの複雑な構造。

• 時系列入力と静的入力の組み合わせなど。

使用例

java
ComputationGraphConfiguration config = new NeuralNetConfiguration.Builder()
    .graphBuilder()
    .addInputs("input1", "input2")
    .addLayer("dense1", new DenseLayer.Builder().nIn(10).nOut(20).build(), "input1")
    .addLayer("dense2", new DenseLayer.Builder().nIn(15).nOut(20).build(), "input2")
    .addVertex("merge", new MergeVertex(), "dense1", "dense2")
    .addLayer("output", new OutputLayer.Builder().nIn(40).nOut(1).build(), "merge")
    .setOutputs("output")
    .build();

ComputationGraph model = new ComputationGraph(config);
model.init();

---

3 使い分けの指針

---

まとめ

• 簡単なタスクや入門には MultiLayerNetwork を。

• 柔軟で高度な構造が必要な場合は ComputationGraph を。

DL4Jのプロジェクトが成長するにつれ、MultiLayerNetwork から ComputationGraph に移行するケースも多く見られます。設計段階でネットワークの構造をよく検討することが重要です。