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。