梯度下降法中“小批量梯度下降”的特点是？A. 每次更新参数使用全部样本B. 每次更新参数使用单个样本C. 每次更新参数使用部分样本D. 不依赖样本直接计算

梯度下降法是机器学习中常用的优化算法，其核心在于通过计算损失函数的梯度来更新模型参数。本题考查小批量梯度下降（Mini-batch Gradient Descent）的核心特点，需明确其与批量梯度下降（Batch GD）、随机梯度下降（SGD）的关键区别：

• 批量梯度下降：每次更新使用全部样本，计算准确但效率低。
• 随机梯度下降：每次更新使用单个样本，速度快但梯度波动大。
• 小批量梯度下降：折中两者，每次使用部分样本，平衡效率与稳定性。

破题关键：理解“小批量”的本质是部分样本的批量处理。

小批量梯度下降的工作原理如下：

1. 数据分组：将训练集划分为多个互不重叠的小批量（mini-batch），每个批量包含若干样本。
2. 梯度计算：对每个小批量，计算其损失函数的平均梯度。
3. 参数更新：根据该批量的梯度更新模型参数。
4. 循环迭代：重复上述过程直到收敛。

特点总结：

• 部分样本：每次更新仅使用部分样本，减少单次计算量。
• 稳定性：相比随机梯度下降，批量计算降低梯度方差，优化路径更平滑。
• 效率：比批量梯度下降更快收敛，适合大规模数据。