你有沒有遇過一個模型，資料進去後就一路往前算，不會回頭看前文？
你可以把前饋神經網路想成直線往前走的判斷器，輸入只往下一層傳，不會把前一輪狀態再拿回來。
它重要，是因為很多表格式資料只需要穩定的前向計算，不一定要記住前面的時間順序。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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。