從一個假設性的例子，也就是一個最簡單的AI模型說起：
在古代有一個國家(名為M)，只有一位國民，假設他的收入是$1元。而 $1 * 稅率 = ***稅收。如果第一年的稅率TR = 0.25。
經過一年，M***發現需要$0.5的年度總經費才夠。
於是，M***負債$0.25。於是，***開始想到調整稅率。因為M***很愛民，所以***並不期望稅收愈多愈好，只期望負債逐漸下降到為$0。這個<逐步下降>就是英文字"Descent"的意思。M***有一個會計公式(函數)可以計算出其負債金額，這個計算函數，通稱為：
Loss Function，或稱：
Cost Function。於是，***的會計師就必須去想如何從負債金額的大小，來逆向推算出，該稅率該調整多大的幅度。這個<逆向推算>，就是英文的：Back- Propagation (
反向傳播)：
從Loss(負債)值，逆推出來Delta值(稅率調整幅度)。例如，計算出來調整幅度是：0.05。於是，第二年的稅率，就調整為：0.3了。
剛才從左邊的Loss值，向右推算出Delta值，稱為：反向傳播。現在，從右邊的新稅率，向左邊推算出新年度的稅收和負債金額。稱為：
正向推演(Feed-Forward)：
執行一趟<正向推演 + 反向傳播>，就稱為一次
迭代(Iteration)。如果有10000筆訓練資料，可以分批(Batch)，整批進行一趟<正向推演 + 反向傳播>，就稱為一次迭代(Iteration)。例如，500筆一批，此時我們稱：
批量(Batch Size) = 500。總共有20批，第0批做一趟<正向推演 + 反向傳播>，就換第1批做一趟<正向推演 + 反向傳播>，依序做完20批；這稱為一回合(
Epoch )。所以這個例子，一回合(epoch) = 20次迭代(iterations)：
在這個簡單的假設性範例裡，只有一筆資料。其Batch Size = 1，而1 iteration = 1 epoch。 總共做了4 Epochs；做了4次的修正稅率。終於達成願望：***零負債。剛才提到兩個關鍵性名詞：<正向推演>與<反向傳播>。正向推演計算出***的稅收金額。
反向傳播計算出稅率(TR)的調整<方向>和<幅度>。
從這例子，可以看出來，如果負債(Loss值)愈高，其稅率(TR值)一定愈低。這就指出了TR的調整方向：Loss逐漸上升方向，就是TR值逐漸下降方向。這個方向，就稱為：
梯度(Gradient )。梯度指引的方向，就是Loss值上升的方向，也就是TR逐漸降低的方向。
然而，從M***的立場而言，它的期望是：負債(Loss)逐漸降低，且趨向於0。所以，要化解***的問題，就得依循與<梯度所指引的方向>的相反方向發展，依據這<相反方向>去逐步調整稅率(TR)。根據這個(梯度的反方向)就會讓負債(Loss值)逐步下降。於是知道了TR的調整方向了。這通稱為：梯度逐步下降(Gradient Descent)法，簡稱：
梯度下降法。
找到了TR的調整方向了，就可以選擇每年的調整幅度了。這個調整幅度，就稱為：
學習率(Learning Rate)。以上，講完了AI的10基本術語。
~ ~ End ~~
