小批量梯度下降法（Mini-batch Gradient Descent, MBGD）是梯度下降算法的一種變種，它結合了批量梯度下降（Batch Gradient Descent, BGD）和隨機梯度下降（Stochastic Gradient Descent, SGD）的優點。
在批量梯度下降中，每次疊代都使用所有訓練樣本計算損失函式的梯度，這樣可以保證每一步都準確地向極值點方向趨近，但對於大規模數據集，這種方法的計算成本很高。
隨機梯度下降則在每次疊代中僅使用一個樣本計算梯度，大大加快了訓練速度，但它可能導致模型在局部最優解附近震盪，難以收斂到全局最優解。
小批量梯度下降法則在每次疊代中使用一部分訓練樣本（即小批量）來計算梯度，這樣可以平衡計算成本和模型更新的穩定性。這種方法既保持了訓練速度，又提高了收斂的準確性。在實際套用中，小批量的尺寸通常在50到256之間，具體數值可能因套用而異。
小批量梯度下降通過將數據分為多個小批量，模擬了批量梯度下降的穩定性，同時也保持了隨機梯度下降的高效性，使得模型能夠在不同規模的數據集上都能取得良好的效果。