③ ディープラーニングの概要 ／ 16. 最適化手法
ミニバッチ学習とは
ミニバッチ学習とは、データを小さなミニバッチに分け、バッチごとに更新を行う学習方式です。計算効率と安定性のバランスが良く、実務での標準的な方法になっています。
この用語はG検定シラバスの「16. 最適化手法」に含まれます。 章全体の用語は用語解説③（全52語）にまとまっています。
一言でいうと
データを小分けにして、そのかたまりごとに重みを更新していく学習方式です。
2つの方式のいいとこ取り
バッチ学習は正確だが重く、1件ずつの更新は軽いが不安定です。ミニバッチ学習はその中間にあたります。
- ある程度のデータ数で平均を取るので安定する
- 全データを待たないので更新回数を稼げる
- GPUの並列計算とも相性が良い
さらに適度な揺らぎが残るため、局所最適解から抜け出す効果も期待できます。
バッチサイズと回数の関係
1回の更新に使うデータ数をバッチサイズといいます。ここから次の関係が決まります。
1エポックあたりのイテレーション数 ＝ データ数 ÷ バッチサイズ
この式は計算問題として押さえることがあるので必ず覚えてください。
バッチサイズの選び方
バッチサイズは32・64・128といった2のべき乗がよく使われます。GPUの処理単位と相性が良いためです。
- 大きくする：計算は効率的だが、揺らぎが減り汎化性能が落ちることがある
- 小さくする：揺らぎが増えるが、更新に時間がかかる
GPUメモリの制約からも上限が決まります。
🎯 G検定での押さえどころ
- データを小分けにして更新する
- 効率と安定性のバランスが良い（実務の標準）
- イテレーション数 ＝ データ数 ÷ バッチサイズ
⚠️ よくある誤りの選択肢
- 「ミニバッチ学習はバッチ学習より必ず精度が低い」→ 誤り。実務では標準的で有効です
- 「バッチサイズを変えてもイテレーション数は変わらない」→ 誤り。反比例します
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「基本的なアルゴリズム」（E資格向け）
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。