【摘要】：对模拟人脑的生理结构以及功能的需求催生了FNN。尽管这样的需求从来没有具体化，但人们很快发现FNN在分类和预测任务中表现得相当好。FNN能被用来解决许多分类问题。一个典型的前馈神经网络至少有一个输入层、一个隐藏层和一个输出层。最简单形式的前馈神经网络通过网络来传播特征信息，用来做出预测。图1.4说明了一种典型的前馈神经网络拓扑结构。它之所以叫前馈神经网络是因为信息是向前流动通过整个网络的。图1.4 一种基本的FNN
前向反馈神经网络（Feed-forward Neural Networks，FNN）的引入显著改善了预测的准确率，并且随着FNN训练方法的逐渐完善使得商业和科学研究持续受益。
对模拟人脑的生理结构以及功能的需求催生了FNN。尽管这样的需求从来没有具体化，但人们很快发现FNN在分类和预测任务中表现得相当好。
FNN能被用来解决许多分类问题。这是因为从理论上讲，它能逼近任何可以计算的函数。在实践中，有些问题对错误比较宽容，有些问题不能简单地应用严格的规则，神经网络在应对这些问题时特别有效。
一个FNN是由一些相互连接的神经元构建而成。这些神经元通常被安置到一些层中。一个典型的前馈神经网络至少有一个输入层、一个隐藏层和一个输出层。输入层的神经元数对应于输入神经网络的特征或者属性的数目。这类似于在线性回归模型中使用的自变量。输出神经元的数目对应于分类数或者预测的类别数。隐藏层结点大致上是用来执行对原始输入特征的非线性变换。(www.xing528.com)
最简单形式的前馈神经网络通过网络来传播特征信息，用来做出预测。前馈神经网络的输出要么是连续的（回归），要么是离散的（分类）。图1.4说明了一种典型的前馈神经网络拓扑结构。它有7个输入神经元、一个具有5个神经元的隐藏层，以及3个输出神经元。信息从输入特征前馈到隐藏层，并且接着再前馈到做出分类或者回归预测的输出层。它之所以叫前馈神经网络是因为信息是向前流动通过整个网络的。
图1.4 一种基本的FNN
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
