前饋神經網路 是什麼？

Feedforward Neural Network — 前饋神經網路 的完整解釋

前饋神經網路是一種訊息單向傳播的神經網路，由輸入層、隱藏層和輸出層組成，廣泛應用於分類和迴歸任務。

容易混淆

前饋神經網路 vs 循環神經網路 前饋網路只做單次前向傳遞。 循環神經網路會把過去狀態帶回來，適合序列資料。

前饋神經網路 vs 轉換器架構 前饋網路是最基礎的全連接堆疊。 轉換器會再加上注意力機制，處理長距離關係更強。

記住這句就好

只往前算、不回頭記，就是前饋神經網路。

實際案例

信用審核 把收入、負債、年資丟進去，模型直接前向輸出風險分數，很適合固定欄位資料。

工廠良率預測 用溫度、壓力、轉速等欄位預測結果，通常不需要時間記憶時，前饋網路就能工作。

算法與應用

它通常由輸入層、隱藏層和輸出層組成，層與層之間做加權求和與非線性轉換。 這是很多深度學習模型的基礎骨架，也是理解更複雜架構前很值得先懂的東西。

情境判斷

Q1：如果資料是固定欄位、沒有時間順序，前饋網路常常可以派上用場嗎？ → 可以，這正是它最常見的舞台。

Q2：如果你要做語音逐字輸入，前饋網路一定是最佳選擇嗎？ → 不一定，因為那是序列問題，通常要看情況改用能處理時間依賴的模型。

常見問題

前饋神經網路就是深度學習嗎？

不是，前饋網路只是深度學習裡的一種基本架構。

它能處理文字嗎？

可以做分類類任務，但若要理解上下文，通常還要更強的序列模型。

為什麼它叫前饋？

因為訊號主要從前往後流動，不會回圈。

層數越多一定越好嗎？

不一定，太深會增加訓練難度，也可能更難調。