复制交换蒙特卡洛（Replica Exchange Monte Carlo, reMC），又称并行退火，是一种用于加速传统马尔可夫链蒙特卡洛（MCMC）算法收敛的重要技术。然而，该方法需要基于完整数据集计算能量函数，难以扩展至大规模数据场景。在小批量（mini-batch）设置下对reMC进行朴素实现会引入显著偏差，因而无法直接推广至随机梯度MCMC（Stochastic Gradient MCMC, SGMCMC）——后者是模拟深度神经网络（DNNs）采样过程的标准方法。本文提出一种自适应复制交换SGMCMC（reSGMCMC）算法，可自动校正此类偏差，并系统研究其相关性质。分析表明，在随机环境中对马尔可夫跳跃过程进行数值离散化时，存在加速性与准确性之间的权衡。在实验方面，我们在多种设置下进行了广泛测试，结果表明，该算法在监督学习与半监督学习任务中，于CIFAR10、CIFAR100和SVHN数据集上均取得了当前最先进的性能表现。