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 / ニューラルネットワークの基礎
ニューロンが受け取る複数の入力それぞれに掛け合わされ、その入力が出力にどれだけ影響するかを表す、学習によって調整される数値はどれか。
正解は重み。ニューロンは複数の入力を受け取り、それぞれに個別の重みを掛け合わせて足し合わせることで、その入力が出力にどれだけ影響するかを表す。重みは学習によって値が調整され、入力ごとに異なる値を持つ点が特徴である。バイアスは入力に掛け合わされる係数ではなく、重み付き和に加算される定数項で、ニューロンの発火のしやすさ（閾値相当）を調整する。活性化関数は、重みとバイアスで計算した値を非線形に変換する関数そのものであり、入力に掛け合わされる数値ではない。学習率は勾配に基づいてパラメータをどれだけ動かすかを決める更新の歩幅であり、入力ごとに個別に存在する値でもない。
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。 選択肢ごとの差は次のように整理できる。「バッチサイズ」は誤答側で、誤答。「バッチサイズ」は1回のパラメータ更新に使うデータ件数を指す語であり、この設問では1000件にあたる。10000件全体を1度使い終えた回数を数える単位ではない。「エポック」は正解側で、正解。「エポック」は訓練データ全体を1度ずつすべて使い終えることを1回と数える単位であり、学習を何巡させたかを表す。「学習率」は誤答側で、誤答。「学習率」はパラメータ更新時の歩幅を決める値であり、データを何件使ったか・何巡したかを数える単位ではない。「イテレーション」は誤答側で、誤答。「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を指す語であり、この設問では1エポックあたり10回にあたる。データ全体を1巡した回数を数える単位ではない。
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）