前馈神经网络（FNN）是一种最简单且最常用的人工神经网络模型。其基本特征是信息单向流动，即从输入层开始，经过一个或多个隐藏层，最终到达输出层，而没有循环或反馈。
前馈神经网络的基本组成部分
- 输入层（Input Layer）：
- 接收外部输入数据的神经元。
- 输入层的神经元数量等于输入特征的数量。
- 隐藏层（Hidden Layers）：
- 由一个或多个神经元层组成，位于输入层和输出层之间。
- 每一层中的神经元通过权重和偏置与前一层的神经元相连。
- 经过激活函数的非线性变换，使得网络可以学习复杂的模式和特征。
- 输出层（Output Layer）：
- 提供最终预测或分类结果的神经元。
- 输出层的神经元数量取决于具体任务，例如二分类问题有一个神经元，多分类问题有多个神经元。
前馈神经网络的特点
- 单向流动：数据从输入层开始，经过隐藏层，最终到达输出层，中间没有循环或反馈。
- 全连接层：每层的每个神经元与下一层的每个神经元相连，形成全连接结构。
- 激活函数：隐藏层和输出层的神经元通常使用激活函数（如Sigmoid、ReLU、Tanh等）来引入非线性特性，提高模型的表达能力。
卷积神经网络（CNN）：用于图像处理，提取局部特征。循环神经网络（RNN）：用于处理序列数据，记忆序列中的信息。长短期记忆网络（LSTM）：改进RNN，处理长期依赖问题。变压器网络（Transformer）：基于自注意力机制，擅长处理序列数据并支持并行计算。生成对抗网络（GANs）：用于生成逼真的数据样本，通过生成器和判别器的对抗训练提升性