---
title: "ミニバッチ学習（Mini-batch Gradient Descent）とは？G検定対策"
description: "ミニバッチ学習は、訓練データを小さなまとまりに分け、まとまりごとに勾配を計算して重みを更新する方法です。SGD・バッチ勾配降下法との違いと、バッチサイズが速度や安定性へ与える影響を整理します。"
last_modified_at: "2026-06-28"
canonical_url: "https://stemtazoo.github.io/gk/mini-batch/"
section: "gk"
---

## まず結論

* **ミニバッチ学習（Mini-batch Gradient Descent）**とは、訓練データの**一部（ミニバッチ）**を使って勾配を計算し、パラメータを更新する最適化手法。
* G検定では**SGD（1サンプル）とバッチ勾配降下法（全データ）との違い**を正しく区別できるかが問われる。

## 直感的な説明

* 山を下るとき、

  * 全体地形を毎回調べる → バッチ勾配降下法
  * 1歩ごとに足元だけ見る → SGD
  * **数歩分まとめて地形を見る** → ミニバッチ学習
* 👉 **速さと安定性のバランス型**がミニバッチ学習です。

## 定義・仕組み

* ミニバッチ学習では、

  * 全データを使わず
  * **小さなデータ集合（例：32、64、128件）**
  * をランダムに抽出して勾配を計算します。

* 特徴：

  * SGDより安定
  * バッチ勾配降下法より計算効率が良い
  * GPU計算と相性が良い

1つのミニバッチについて順伝播、損失計算、逆伝播、パラメータ更新を行います。すべてのミニバッチを一巡すると**1エポック**です。バッチサイズは1回の更新に使う件数、エポックは全データを一巡した回数なので、両者は別の概念です。

## いつ使う？（得意・不得意）

### 使われる場面（得意）

* 深層学習の学習全般
* 大規模データセット
* GPUを用いた学習

### 注意点・不得意

* バッチサイズの選択が重要
* 大きすぎるとバッチ学習に近づく
* 小さすぎるとSGDに近づく

## G検定ひっかけポイント

| 方法 | 1回の更新に使うデータ | 特徴 |
|---|---|---|
| SGD | 原則1件 | 更新は速いが勾配のばらつきが大きい |
| ミニバッチ | 一部のまとまり | 速度と安定性のバランス |
| バッチ勾配降下法 | 全データ | 安定しやすいが1回の更新が重い |

実務で単に「SGD」と呼ぶ場合でも、実装上はミニバッチを使うことがあります。試験では設問が示す「1回の更新に使う件数」で判断します。

* よくある誤解：

  * ❌ 「全データを使用する」
  * ❌ 「1サンプルのみを使う」

* 判断基準：

  * **少量データのまとまり → ミニバッチ**
  * **1サンプル → SGD**
  * **全データ → バッチ勾配降下法**

## まとめ（試験直前用）

* ミニバッチ学習＝少量データで更新
* 速さと安定性のバランス型
* SGDとバッチの中間
* 深層学習で標準的
* 「バッチサイズ」がキーワード