4️前馈神经网络 (FNN)
前馈神经网络(feedforward neural network,FNN): 包含了输入层 Input layer,隐藏层 Hidden layer,和输出层 Output layer。整个网络中无反馈,信号从输入层向输出层单向传播。前馈网络是一种静态非线性映射.通过简单非线性处理 (ReLu激活函数) 的复合映射,可获得复杂的非线性处理能力。

优缺点
优点
结构简单,易于理解和实现,是其他复杂神经网络(如卷积神经网络、循环神经网络)的基础。
适用于处理静态、独立的数据,如图像分类、文本情感分析等。
训练过程明确,可通过反向传播有效优化参数。
缺点
无法处理具有时序依赖或空间结构的数据(如视频、语音),因为缺乏对序列信息的记忆能力。
当隐藏层过多时,可能出现梯度消失或爆炸问题,导致训练困难。
对输入数据的预处理要求较高,需要进行标准化、归一化等操作。
应用场景
图像分类:如 MNIST 手写数字识别、CIFAR-10 图像分类等,通过多层隐藏层提取图像特征。
文本处理:如文本分类、情感分析,将文本转换为向量后输入网络。
回归预测:如房价预测、股票价格预测等连续值预测任务。
数据模式识别:如信用卡欺诈检测、医疗诊断等,通过学习数据中的模式进行分类。
与其他神经网络的对比
与循环神经网络(RNN)对比:FNN 无记忆能力,无法处理时序数据;RNN 包含循环连接,可捕获序列中的依赖关系,适用于语音识别、机器翻译等任务。
与卷积神经网络(CNN)对比:FNN 对图像等具有空间结构的数据处理效率低,需大量参数;CNN 通过卷积层和池化层利用局部感知和权值共享,更适合处理图像和视频。
与递归神经网络(Recursive NN)对比:FNN 是分层结构,处理固定长度的输入;递归神经网络可处理树状结构数据(如句法分析树),具有更灵活的结构。
Last updated
Was this helpful?