G検定 用語解説
学習率とは
勾配降下法で重みを更新する一回あたりの歩幅を決めるハイパーパラメータ。大きすぎると学習が発散し、小さすぎると収束に時間がかかる。
まず押さえる結論
学習率は、G検定の「大項目4 ディープラーニングの概要」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×勾配消失問題と勾配爆発の混同、およびReLUなど活性化関数による緩和の役割。
×局所最適解・大域最適解・鞍点の区別（鞍点はある方向に極小・別方向に極大）。
×誤差逆伝播法（バックプロパゲーション）と勾配降下法の役割の取り違え。
関連する確認問題
大項目4 ディープラーニングの概要 / 学習の仕組み
訓練データが全部で10000件あり、これを1000件ずつのまとまりに分けて順に学習させる。この10000件すべてを1度ずつ使い終えた状態を1回と数える、学習の進み具合を表す単位はどれか。
正解はエポック。訓練データ全体を1度ずつすべて使い終えることを1回と数える単位で、学習を何巡させたかを表す。バッチサイズは1回の更新に使うデータ件数（この例では1000件）、イテレーションはパラメータを1回更新する処理の回数（この例では1エポックあたり10回）であり、どちらもデータ全体を1巡する単位ではない。学習率は更新時の歩幅を決める値で、学習の進み具合を数える単位ではない。データを何件使ったかを数える単位か、更新回数を数える単位か、歩幅を決める値かという役割の違いで見分けると、10000件全体を1度使い終えた回数を表す語はエポックだけに絞られる。
大項目4 ディープラーニングの概要 / 学習の仕組み
勾配の移動平均による慣性の効果と、パラメータごとに学習率を適応的に調整する仕組みの両方を兼ね備えた、ディープラーニングで広く用いられる最適化アルゴリズムはどれか。
正解は「Adam」である。Adamは勾配の移動平均による慣性（モメンタム）の効果と、パラメータごとに学習率を適応的に調整する仕組みの両方を併せ持ち、ディープラーニングで広く用いられる最適化アルゴリズムである。モメンタムは慣性のみ、AdaGradとRMSPropはパラメータごとの学習率調整のみを持ち、いずれか一方の性質しか備えないため、両方を同時に備えるという設問の条件には当てはまらない。設問は2つの仕組みを同時に満たす手法を問うており、これに該当するのはAdamだけである。
大項目4 ディープラーニングの概要 / 学習の仕組み
勾配降下法で、重みを一度にどの程度動かすかを決めるハイパーパラメータはどれか。
正解は「学習率」である。学習率は勾配降下法で重みを更新する際に、勾配の方向へ一度にどの程度動かすかを決めるハイパーパラメータであり、値が大きすぎると更新が振れて発散し、小さすぎると学習の進みが遅く収束までの反復回数が増えてしまう。エポックは学習データ全体を何回使って学習したかを表す反復回数の単位、バッチサイズは1回の重み更新に使うデータの件数、損失関数はモデルの予測と正解のずれの大きさを数値化する関数であり、いずれも重みを動かす量そのものを決めるハイパーパラメータではない。
同じ章で確認したい用語
到達チェック
- 学習率を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、学習率に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）