什么是前馈神经网络？

前馈神经网络允许信号仅沿一个方向传播，从输入到输出。没有反馈（循环），例如某一层的输出不会影响同一层。前馈网络往往是简单的网络，将输入与输出关联起来。它可以用于模式识别。这种组织方式表示为自下而上或自上而下。

隐藏层中的每个单元通常完全连接到输入层中的某些单元。因为此网络包含标准单元，所以隐藏层中的单元通过将其每个输入的值乘以其相关的权重、将这些值加起来并使用传递函数来计算其输出。

神经网络可以有多个隐藏层，但通常情况下，一个隐藏层就足够了。层越宽，网络识别模式的能力就越强。

最右边的最终单元是输出层，因为它与神经网络的输出相关联。它完全连接到隐藏层中的某些单元。神经网络通常用于计算单个值，因此输出层中只有一个单元和该值。

输出层可以有多个单元。例如，一家百货商店连锁店需要预测用户从多个部门购买产品的可能性，包括女装、家具和娱乐。商店需要这些数据来规划促销活动和指导重点邮件发送。

反向传播算法对多层前馈神经网络进行学习。输入刺激为每个训练样本计算的属性。输入被馈送到构成输入层的一层单元中。

这些单元的加权输出同时馈送到第二层神经元，例如称为隐藏层的单元。隐藏层的加权输出可以作为多个隐藏层的输入等。多个隐藏层是任意的，并且通常使用一个。

最终隐藏层的加权输出是构成输出层的单元的输入，输出层扩散网络对给定样本的预测。隐藏层和输出层中的单元表示为神经元，因为它们象征着生物学元素或作为输出单元。通过隐藏单元提供的线性阈值函数的多层前馈网络可以近似逼近某些函数。

Ginni

更新于： 2022年2月15日

9K+ 浏览量

开启你的 职业生涯

通过完成课程获得认证

开始学习