CNN 的學習循環：

圖片來自:https://anstekadi.com/article/Detail/3315

Forward Pass：輸入 → 特徵提取 → 分類
Loss 計算：比較輸出與真實答案
Backward Pass：誤差回傳，計算梯度
Update：更新權重，提升模型能力

昨天我們看了 CNN 如何一步步把圖片「看懂」，今天要換個角度：如果 CNN 判斷錯了，它要怎麼「修正自己」？
答案就是 —— 反向傳播 (Backpropagation)

一、定義錯誤：損失函數 (Loss Function)

在 CNN 的世界裡，錯誤是透過 損失函數 (Loss) 來衡量的。它比較模型的輸出和真實答案 (Ground Truth)，差距越大，Loss 就越高。可以把它想像成遊戲裡的「扣血數字」，打得不準，血條掉得越多。

二、學習方向：梯度與鏈鎖律 (Gradient & Chain Rule)

為了修正錯誤，CNN 需要知道「往哪裡調整才會更好」。
這就是 梯度 (Gradient) 的工作：計算 Loss 對每個參數的偏導數 (∂L/∂W)。

反向傳播 (Backpropagation) 則是讓這些誤差訊號從輸出層一路「倒流」回前面每一層，靠的是 鏈鎖律 (Chain Rule)。就像一條流水線，誤差能層層傳遞，告訴每個 Filter 該怎麼改。

三、權重優化：梯度下降與更新

計算出梯度後，CNN 會用 梯度下降法 (Gradient Descent) 來更新權重。
公式:

在 Pooling 層，梯度只會回傳到當初被選為最大值的位置；在 卷積層，Filter 的權重會被調整，慢慢變成能專門偵測某些特徵的「利器」。這就像角色每次被 BOSS 打敗，都會調整戰術、換裝備，直到能打贏為止。