某製造業工廠導入 AI 模型預測設備故障風險，技術團隊向產線主管說明模型運作原理：模型在每一輪訓練中，會依據「預測故障機率」與「實際發生故障結果」之間的落差程度，產生一項量化指標，並將該數值提供給後續模型訓練流程，作為模型參數調整的重要依據。請問此敘述最符合深度學習訓練流程中哪個元件的功能？
答案 （B）
核心概念
把「預測」跟「實際」的落差算成一個數字，再拿去指導參數調整，這是損失函數。
深度學習訓練的分工：
・損失函數（Loss Function）：算預測跟答案差多少，輸出一個數值
・優化器（Optimizer）：拿損失的梯度決定參數怎麼更新
・評估指標（Evaluation Metric）：訓練完給人看的成績單，例如準確率，不參與參數更新
・特徵工程（Feature Engineering）：訓練前整理輸入資料
題幹「落差程度 → 量化指標 → 提供給後續訓練調參數」，走的就是損失函數的路線。
本題詳解提到同卷第 26 題。
答題技巧
快速判斷技巧：「預測與實際的落差量化」加「提供給訓練調參數」，答案是損失函數（Loss Function）。 ・算落差 → 損失函數 ・拿落差調參數 → 優化器（Optimizer） ・訓練完看成績 → 評估指標（Evaluation Metric）
易錯陷阱：(A) 評估指標也在量「預測對不對」，最容易混。 關鍵差異：損失函數參與訓練、每輪都算；評估指標只在訓練後看結果。 本卷第 26 題問更新方向（梯度）、第 33 題問算落差的元件（損失函數），兩題連起來就是完整的訓練迴圈。