tanulási ráta (LR)

angolul: learning rate

haladóelterjedt

A tanulási ráta azt szabja meg, mekkora lépésekben módosítja magát egy MI-modell tanítás közben, amikor a hibáiból tanul.

Érthetően

Képzeld el, hogy sűrű ködben próbálsz lejutni egy hegyről a völgybe. Csak azt érzed a talpad alatt, merre lejt a talaj, ezért mindig abba az irányba lépsz. A tanulási ráta az, hogy mekkorát lépsz egyszerre.

Ha túl nagyokat lépsz, átugrod a völgyet, és a szemközti oldalon kötsz ki, akár magasabban, mint ahonnan indultál. Ha túl aprókat, akkor biztonságosan haladsz, de napokig tart az út, és megrekedhetsz egy kis mélyedésben, amelyet völgynek hiszel.

A modell tanítása ugyanígy zajlik: a „völgy” az az állapot, ahol a modell a legkevesebbet hibázik. A tanulási ráta nem a modell tudásának része, hanem a tanítás egyik beállítása, amelyet a fejlesztők választanak meg, és amelyen gyakran a tanítás sikere múlik.

Hogyan működik

A modell kap egy adag tanítópéldát, választ ad rájuk, és a rendszer kiszámolja, mennyit tévedett.
Egy matematikai eljárás megmutatja, hogy a modell belső számait (a súlyokat) melyik irányba kellene elmozdítani, hogy a hiba csökkenjen.
A tanulási ráta egy kis szám (például 0,001). Egyszerűsítve: ezzel szorozzák meg a javítást, és ettől függ, hogy a modell egy lépésben nagyot vagy csak egészen picit változik.
Ez a kör sok ezerszer vagy milliószor megismétlődik, és a modell fokozatosan egyre jobb lesz.
A gyakorlatban a ráta ritkán állandó. Többnyire alacsony értékről indul, rövid idő alatt felfut a kívánt szintre, majd a tanítás vége felé fokozatosan csökken, hogy a modell finoman „beálljon” a jó megoldásra.

Példa a mindennapokból

Egy cég a saját ügyfélszolgálati leveleivel szeretne finomhangolni egy nyelvi modellt. Ha a fejlesztő túl magas tanulási rátát állít be, a modell „elfelejtheti” a korábbi általános tudását, és zagyva válaszokat adhat. Ha túl alacsonyat, a drága számítás ugyanúgy lefut, de a modell alig változik, ezért újra kell futtatni.

Kit érint

fejlesztőEz az egyik legfontosabb beállítás, amelyet modell tanításakor vagy finomhangolásakor jól kell megválasztanod. Rossz értékkel a tanítás lassú lesz, vagy kudarcba fulladhat. → Kód

vállalkozó, vezetőEgy rosszul beállított tanítás elpazarolt gépidőt és pénzt jelent, ezért érdemes értened, miért kér a csapat több próbafuttatást.

szülő, diák, tanárSzemléletes példa arra, hogyan tanul egy gép a hibáiból apró lépésekben, ezért jól használható az MI működésének elmagyarázására. → Oktatás és család

Gyakori félreértés

TévhitMinél nagyobb a tanulási ráta, annál gyorsabban és jobban tanul a modell.

ValójábanTúl nagy rátával a modell kapkod: ide-oda ugrál a jó megoldás körül, vagy teljesen szétesik a tanítás. A cél nem a legnagyobb, hanem a megfelelő lépésméret megtalálása.

Korlátok és kockázatok

Nincs minden esetre érvényes jó érték: modelltől, adattól és feladattól függ, ezért rendszerint próbálgatással kell megtalálni.
A túl magas ráta instabil tanításhoz vezet, finomhangolásnál pedig tönkreteheti a modell meglévő tudását.
A túl alacsony ráta lassú és drága tanítást jelent, és a modell megrekedhet egy közepes megoldásnál.
A tanulási ráta csak a tanítás idején számít: a kész modell használata közben (amikor például csevegsz vele) már nem játszik szerepet.

Hasonló, de nem ugyanaz

tanulási görbe – A tanulási görbe azt mutatja, hogyan javul a modell teljesítménye a tanítás során, a tanulási ráta pedig egy beállítás, amely ezt a javulást befolyásolja.
hőmérséklet (temperature) – A hőmérséklet a kész modell válaszainak változatosságát szabályozza használat közben, a tanulási ráta viszont a tanítás lépésméretét.
epoch (tanítási kör) – Az epoch azt jelenti, hányszor megy végig a modell a teljes tanítóadaton, a tanulási ráta pedig azt, mekkorát változik egy-egy lépésben.

Kapcsolódó fogalmak

Tágabb

hiperparaméter, gépi tanulás, modelltanítás

Szűkebb

tanulásiráta-ütemezés, bemelegítés (warmup), adaptív tanulási ráta

Rokon

gradiensereszkedés, hibavisszaterjesztés, veszteségfüggvény, finomhangolás, túltanulás

Röviden a története

A lépésméret gondolata a matematikai optimalizálásból ered. A lejtő irányában lépkedő módszert (gradiensereszkedés) Augustin-Louis Cauchy már 1847-ben leírta. Herbert Robbins és Sutton Monro 1951-es munkája megmutatta, hogyan lehet véletlenszerű mintákból, fokozatosan csökkenő lépésekkel közelíteni a megoldáshoz. A mai tanítási módszerek erre épülnek. A neurális hálók korai tanulási szabályai az 1950–60-as években már használtak lépésméretet. Központi beállítássá azonban a hibavisszaterjesztés 1986-os népszerűsítése után vált. A súlyonként automatikusan igazodó lépésméret ötletét korábbi módszerek vezették be (például az AdaGrad, 2011). Széles körben a 2014-ben bemutatott Adam módszer terjesztette el.

Hol tart most

2026 végén gyakorlatilag minden neurális háló tanításának alapbeállítása. A ráta értékét a tanítás során ma többnyire ütemezők és adaptív optimalizálók igazítják. Az alap- vagy csúcsértéket azonban továbbra is jellemzően embernek vagy automatikus keresésnek kell megválasztania.

Állapot: 2026. november

Más nevei

tanulási ráta · tanulási sebesség · tanulási tényező · tanulási együttható · lépésköz · learning rate · step size · LR

Források

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.