目录
编辑
1.前馈神经网络介绍
2.网络结构
3.模型工作示例
4.总结
1.前馈神经网络介绍
前馈神经网络（Feedforward Neural Network，FNN）是一种最简单、最经典的神经网络结构，它是人工神经网络的基础形式之一。
前馈神经网络是一种信息只沿一个方向传播的神经网络。它由多个神经元（或称为节点）组成，这些神经元被组织成不同的层，包括输入层、隐藏层和输出层。信息从输入层开始，经过一层或多层隐藏层的处理，最终到达输出层，而不会出现从后一层向前面层的反馈连接。
2.网络结构
-
输入层（Input Layer）：输入层接收外部输入数据，其神经元数量通常与输入特征的数量相匹配。例如，如果输入数据是一个包含10个特征的向量，那么输入层就有10个神经元。
-
隐藏层（Hidden Layer）：隐藏层是网络的核心部分，用于对输入数据进行特征提取和转换。一个前馈神经网络可以有多个隐藏层，每个隐藏层包含多个神经元。隐藏层的神经元通过权重和激活函数对输入数据进行处理。
-
输出层（Output Layer）：输出层是网络的最终输出部分，其神经元数量取决于任务的需求。例如，在二分类问题中，输出层通常只有一个神经元；而在多分类问题中，输出层的神经元数量通常与类别数量相匹配
3.模型工作示例
这里拿成绩预测作为示例，学生期末考试能不能通过，可能受到平常的学习时间的影响，还能通过平常的月考来预测。
对此，将平常的学习时间和月考成绩作为输入，输入到模型中，构建多个隐藏层，每个隐藏层捕获不同的特征，比如有的隐藏层捕获学习时间段的位置，有的隐藏层捕获成绩差别等等，可以构建多个隐藏层，然后得出“是否”通过考试这个结论。 
4.总结
-
分类问题：如图像分类、文本分类、语音识别等。
-
回归问题：如房价预测、股票价格预测等。
-
特征提取：通过隐藏层的神经元对输入数据进行特征提取和表示。
前馈神经网络是深度学习的基础，许多复杂的神经网络结构（如卷积神经网络、循环神经网络等）都可以看作是前馈神经网络的扩展或变体。例如，卷积神经网络（CNN）在前馈神经网络的基础上引入了卷积层和池化层，用于处理图像数据；循环神经网络（RNN）则引入了时间维度，用于处理序列数据。
