keras中的神经网络为什么需要多次epoch

$\Delta w(t)=-\varepsilon\frac{∂E}{∂w(t)}+\alpha\Delta w(t-1)(9)$
我们知道反向传播每次迭代的效果是这样的:
$w=w+\Delta w(t)$

我们知道,每条训练数据都会导致训练的过程中,
计算一次 $\frac{∂E}{∂w(t)}$,假如我的 $w_i$初始化为0,最终的值是0.7
但是我的学习率 $\varepsilon=0.0001$,一万条数据,
epoch=1够不够,可能够,也可能不够.
因为你想啊,就假如一个三层的神经网络
第一层和第二层之间有个 $w_i$
第2层和第3层之间有个 $w_j$
假设w在0~1之间,那么就有1/ $\varepsilon$=10000种取值,
并且层与层之间的w还得排列组合,这些排列组合虽然是根据 $\frac{∂E}{∂w(t)}$不断调整 $w$的,你能确保这些层与层之间的不同w的值的组合
刚好令loss(也就是E)最小吗?
显然不能,所以根据梯度下降的过程,你需要很多次epoch,才有可能让神经网络来拟合处满足当前训练集的模型.
一言概之,为啥需要多次epoch,
就是 $w=w+\Delta w(t)$还没来得及迭代到最终的值.

当然最终的值很可能会让神经网络过拟合,这是后话.