🧠 前馈神经网络
Feedforward Neural Network (FNN) — 最基础的人工神经网络类型
💡 核心概念
前馈神经网络的信息流动是单向的：
输入层 → 隐藏层 → 输出层
信息从输入层经过隐藏层传递到输出层，不存在反馈或循环连接。这是它与循环神经网络（RNN）的主要区别。
🏗️ 结构组成
| 层级 | 功能 |
|---|---|
| 输入层 | 接收原始输入数据 |
| 隐藏层 | 一层或多层中间层，负责特征提取和转换 |
| 输出层 | 产生最终预测或分类结果 |
⚙️ 工作原理
每个神经元执行以下计算：
┌─────────────────┐
上一层输出 ──→ │ 加权求和 Σ(wᵢxᵢ) │ ──→ 加偏置(b) ──→ 激活函数(σ) ──→ 输出
└─────────────────┘
这个过程称为 前向传播（Forward Propagation） 。
常用激活函数
- ReLU — f(x) = max(0, x)
- Sigmoid — f(x) = 1 / (1 + e⁻ˣ)
- Tanh — f(x) = (eˣ - e⁻ˣ) / (eˣ + e⁻ˣ)
✨ 主要特点
- 简单直观 — 结构简单，易于理解和实现
- 静态映射 — 适用于静态输入输出映射任务
- 万能近似 — 单隐藏层即可近似任意连续函数1
- 深层表达 — 多个隐藏层能学习更复杂的特征表示
🎯 常见应用
| 领域 | 应用 |
|---|---|
| 🖼️ 图像处理 | 与卷积层结合进行图像识别 |
| 📊 分类任务 | 文本分类、图像分类等 |
| 📈 回归预测 | 数值预测、趋势分析 |
| 🔍 模式识别 | 特征匹配、异常检测 |
| 💬 自然语言处理 | 文本表示、情感分析 |
