---

如果你对人工智能稍有了解，一定听说过“神经网络”这个词。但神经网络究竟是什么？它又是如何工作的？今天，我们就从最基础、最经典的一种神经网络——前馈神经网络（Feedforward Neural Network, FNN）——说起。

从一个比喻开始：一群人合作识别猫

想象你有一张照片，想知道里面有没有猫。你找来一群人帮忙，但每个人只能看一眼照片的一小块区域，然后给出一个简单判断。第一层的人看完后，把结果传给第二层的人；第二层的人综合这些信息，再传给第三层；最终，站在最后的人根据传来的信息说：“有猫”或“没有猫”。

这个过程中有几个关键点：

• 信息只向一个方向流动——从输入到输出，从不回头；
• 每一层的人只和相邻层的人交流；
• 每个人都有自己的判断规则，并且可以在训练中不断调整。

这个“流水线式”的协作结构，就是前馈神经网络的核心思想。

前馈神经网络长什么样？

一个典型的前馈神经网络由三层组成：

输入层（Input Layer）：接收外部数据。比如一张图片的像素值、一段文字的编码、一组传感器读数。输入层的每个“神经元”就代表一个数据特征。

隐藏层（Hidden Layers）：位于输入和输出之间的层，可以有一层或多层。它们是网络的“加工车间”，负责从原始数据中提取越来越抽象的特征。比如第一层可能识别边缘，第二层识别形状，第三层识别“像猫耳朵的结构”。

输出层（Output Layer）：给出最终结果。比如“是猫的概率为0.87”或者“明天降雨的概率为0.65”。

“前馈”这个名字，正是因为信息从输入层进入，经过隐藏层，最后到达输出层，一路向前，没有循环和反馈。这就像一条单向流水线，数据不会在某一步被送回前面重新处理。

神经元内部：一个简单的数学公式

每个神经元听起来神秘，但它的工作其实很简单。它接收上一层的多个输入，然后做两件事：

• 1、加权求和：每个输入乘以一个“权重”（表示这个输入有多重要），再加起来，加上一个“偏置”（一个可调节的常数）。
• 2、激活函数：把求和结果通过一个非线性函数变换一下，得到输出。常用的激活函数有 ReLU（把负数变成0）、Sigmoid（把结果压缩到0到1之间）等。

用公式表示就是：

$$y = f(w_1 x_1 + w_2 x_2 + \ldots + w_n x_n + b)$$

其中 $x_i$ 是输入，$w_i$ 是权重，$b$ 是偏置，$f$ 是激活函数。

这个公式看起来简单，但当几百个、几千个、甚至几亿个这样的神经元层层堆叠起来时，整个网络就能表达极其复杂的函数关系——这正是神经网络强大能力的来源。

它是如何学习的？

前馈神经网络不是天生就会识别猫。它需要“训练”。训练的过程本质上是一个不断调整权重和偏置的过程。

最常用的方法是反向传播算法（Backpropagation）。虽然信息在前向传播时是单向的，但学习时误差会从输出层往回传：

• 1、把训练数据输入网络，得到预测结果；
• 2、计算预测结果与真实答案之间的误差；
• 3、把误差从输出层逐层反向传播，计算每个权重对误差的“贡献”；
• 4、用梯度下降法微调权重，让误差变小。

重复这个过程成千上万次，网络的表现就会越来越好。有趣的是，虽然学习过程用到了反向传播，但网络本身的结构仍然是前馈的——推理时信息依然只向前走。

前馈神经网络能做什么？

作为最基础的神经网络架构，前馈神经网络在很多领域都有应用：

• 分类任务：垃圾邮件识别、图像分类、疾病诊断辅助；
• 回归预测：房价预测、销量预测、天气预测；
• 函数逼近：理论上，只要隐藏层足够宽，前馈神经网络可以逼近任意连续函数（这被称为“万能近似定理”）。

当然，前馈神经网络也有局限。它不擅长处理序列数据（比如语音、文本中的前后依赖关系），这时候就需要循环神经网络（RNN）或 Transformer 等更复杂的结构。但前馈神经网络是理解所有这些高级模型的基础。

结语

前馈神经网络是人工智能世界里的“入门第一课”。它结构清晰、原理简单，却蕴含了深度学习最核心的思想：用层层堆叠的简单计算单元，通过数据驱动的方式学习复杂模式。

理解了前馈神经网络，你就握住了打开深度学习大门的第一把钥匙。而那些更强大的模型——无论多么复杂——都建立在这个朴素而深刻的基础之上。

---

补充资料：

前馈神经网络（Feedforward Neural Network）是一种最基础的神经网络类型，它的信息流动是单向的，从输入层经过一个或多个隐藏层，最终到达输出层。在前馈神经网络中，神经元之间的连接不会形成闭环，这意味着信号在前向传播过程中不会回溯。

前馈神经网络的基本组成单元是神经元，每个神经元都会对输入信号进行加权求和，然后通过一个激活函数产生输出。激活函数通常是非线性的，它决定了神经元的输出是否应该被激活，从而允许网络学习复杂和非线性的函数。 前馈神经网络在模式识别、函数逼近、分类、回归等多个领域都有应用。例如，在图像识别任务中，网络的输入层节点可能对应于图像的像素值，而输出层节点可能代表不同类别的概率分布。

训练前馈神经网络通常涉及反向传播（Backpropagation）算法，这是一种有效的学习算法，通过计算输出层的误差，并将这些误差信号沿网络反向传播，以调整连接权重。通过多次迭代这个过程，网络可以逐渐学习如何减少输出误差，从而实现对输入数据的正确分类或回归。

在设计和训练前馈神经网络时，需要考虑多个因素，包括网络的层数、每层的神经元数目、激活函数的选择、学习速率、正则化策略等，这些都对网络的性能有重要影响。

---

---