假如我们有一台计算器：可以将亩转换为平方米，如下所示。
而且我们也知道，大概的计算方式：应该是“平方米= Cx亩”，其中C为常数。虽然，我们还不完全准确的知道这个常数C是多少。
现在假设，已经有一些真实的数据，如下表：
我们怎么才能计算出C呢？瞟了一眼表格里的数据，就用 C = 700 试试吧。
1.65 x 700 = 1155
猜测值比真实值大。误差：真实值 - 计算值 = 1100 - 1155 = -55
我们猜测的有误差，但是无需对这种误差感到失望，我们可以使用这个误差，指导我们得到更好的C的猜测值。
由于亩转换为平方米的公式是线性的，即平方米= Cx亩，因此我们知道，减小C就可以减小输出。
我们把C稍微减小一点 C = 680 现在，680 x 1.65 = 1122。 这一次，误差：1100 - 1122 = -22
误差变小了！
我们取得了明显的进步。
这里，很重要的一点是，我们使用误差值的大小指导如何改变C的值。我们希望输出值减小一些，因此我们稍微减小了C的值。
我们不必尝试使用代数法计算出C需要改变的确切量，让我们继续使用这种方法改进C值。试想一下，沿着这样的方法，我们是不是可以继续调整C的值，直到误差变得越来越小... 一直到，你认为这个误差是可以接受的范围。
如果你还不能被我说服，还是认为计算出确切的答案才够简单，那么，请记住，更多有趣的问题是没有一个简单的数学公式将输出和输入关联起来。这就是我们需要诸如神经网络这样相对成熟而复杂的方法的原因。
无论你是否相信，我们刚刚所做的，就是走马观花地走了一遍神经网络中所谓训练的核心过程。我们训练机器，使其输出值越来越接近正确的答案。
如果你之前没有接触过计算机编程或者算法，这里值得停下来，思考一下这种方法：我们并未像在学校里求解数学和科学问题时所做的一样一步到位，精确求解问题。相反，我们尝试得到一个答案，并多次改进答案，这是一种非常不同的方法。一些人将这种方法称为迭代，意思是持续地、一点一点地改进答案。
