定義
学習率(Learning Rate)とは、ニューラルネットワークの学習でパラメータをどれだけ大きく更新するかを決めるハイパーパラメータのこと。
学習率 (Learning Rate)とは（詳しく解説）
学習率(Learning Rate)とは、勾配降下法でモデルパラメータを更新する際の一回あたりのステップ幅を制御するハイパーパラメータで、値が大きすぎると損失が発散し、小さすぎると収束に時間がかかるとされる。ディープラーニングの学習における最も基本的な調整対象の一つとして、業界標準的にAdamやSGDなどの最適化アルゴリズムとセットで語られる。2026年時点の実運用では、学習率を固定せず、ウォームアップ後にコサインスケジュールや線形減衰で徐々に下げるスケジューリングが広く採用されており、Fine-tuningやLoRAのような追加学習でも事前学習時より小さい学習率を使うのが現場の定石とされる。落とし穴としては、学習率が高すぎて損失がNaNになったり、逆に低すぎて計算コストとGPU利用時間ばかりがかさむ問題が挙げられ、クラウドGPUの相場感を踏まえると学習率探索自体のコスト管理も現場の重要な観点になる。ツール選定やライブラリ利用の場面では、自動チューニング機能や推奨デフォルト値を備えたフレームワークを使い、経験則だけに頼らない設定が推奨される。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「学習率 (Learning Rate)とは」 https://aipicks.jp/glossary/learning-rate
学習率 (Learning Rate)の使用例
- Fine-tuning時に学習率を事前学習の1/10程度に下げてから再学習を始める。
- 学習曲線の損失が振動する場合、学習率を半分に下げて再実行し収束を確認する。
