---
title: "前饋神經網路（Feedforward Neural Network）"
slug: feedforward-neural-network
language: zh-TW
source: https://aiterms.tw/terms/feedforward-neural-network
updated_at: 2026-04-29
tags: [深度學習, 神經網路, 模型訓練, 模型評估, AI基礎, iPAS中級]
ipas_term: false
---

# 前饋神經網路（Feedforward Neural Network）

> **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
> **Q：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。
>
> **Q：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。
>
> **Q：為什麼它叫前饋？**
> 因為訊號主要從前往後流動，不會回圈。
>
> **Q：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。

### 相關術語
> - **深度學習**：前饋網路是它最基礎的入門架構之一。
> - **循環神經網路**：理解差異，會更知道什麼時候要記憶。
> - **注意力機制**：想處理更複雜關係時，常會往這裡延伸。
> - **轉換器架構**：很多現代模型都建立在它和前饋層的組合上。
> - **自然語言處理**：常見應用場景之一，但通常不只靠它單獨完成。

---

來源：https://aiterms.tw/terms/feedforward-neural-network
快查頁：https://aiterms.tw/terms/feedforward-neural-network
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-feedforward-neural-network