介绍
前馈神经网络（feedforward neural network，FNN），简称前馈网络，是人工神经网络的一种。
前馈神经网络采用一种单向多层结构。其中每一层包含若干个神经元。在此种神经网络中，各神经元可以接收前一层神经元的信号，并产生输出到下一层。
下图是典型的多层前馈神经网络：
- 第0层叫输入层
- 最后一层叫输出层
- 其他中间层叫做隐含层（或隐藏层、隐层）。隐层可以是一层。也可以是多层。
特点
- 单向传播：输入→隐藏层→输出层，无反向连接；
- 全连接：相邻层的神经元之间全部两两连接（每个神经元的输入是上一层所有神经元的输出加权和）；
- 非线性：通过激活函数（如ReLU）引入非线性，解决线性模型无法拟合复杂问题的缺陷。
各层详解
| 层级 | 作用 | 示例（手写数字识别） |
|---|---|---|
| 输入层 | 接收原始数据，无计算，仅传递（神经元数量=输入特征维度） | 28×28像素展平为784个神经元 |
| 隐藏层 | 提取特征（可多层），核心是“加权和+激活函数”（$a = \sigma(Wx + b)$） | 128/64个神经元，ReLU激活 |
| 输出层 | 输出预测结果，激活函数根据任务选择 | 10个神经元（对应0-9），Softmax |
计算逻辑（单隐藏层）
输入层→隐藏层：z_1 = W_1 \cdot x + b_1 → a_1 = \sigma(z_1)（ReLU激活）
隐藏层→输出层：z_2 = W_2 \cdot a_1 + b_2 → a_2 = \sigma(z_2)（Softmax/Sigmoid等）
W：权重矩阵（核心可学习参数），b：偏置向量；
\sigma：激活函数（引入非线性，否则多层等价于单层）。
用PyTorch实现前馈神经网络
import torch
import torch.nn as nn
import torch.nn.functional as F
# ===================== 1. 全连接的前馈网络（MLP） =====================
# 特点：所有层都是nn.Linear（全连接），信息单向传播（前馈）
class FullyConnectedFNN(nn.Module):
def __init__(self, input_dim=10, hidden_dim=8, output_dim=2):
super().__init__()
# 全连接层1：输入层→隐藏层（10个输入神经元 → 8个隐藏神经元，全连接）
self.fc1 = nn.Linear(input_dim, hidden_dim)
# 全连接层2：隐藏层→输出层（8个隐藏神经元 → 2个输出神经元，全连接）
self.fc2 = nn.Linear(hidden_dim, output_dim)
def forward(self, x):
# 前向传播（单向：输入→隐藏→输出，无循环/反馈）
x = F.relu(self.fc1(x)) # 全连接+激活
x = self.fc2(x) # 全连接输出
return x
# ===================== 测试与对比 =====================
if __name__ == "__main__":
# 超参数
batch_size = 4
input_dim = 10
# 生成测试输入（4个样本，每个样本10个特征）
x = torch.randn(batch_size, input_dim)
# 1. 初始化全连接前馈网络
fc_fnn = FullyConnectedFNN(input_dim=10, hidden_dim=8, output_dim=2)
# 前向传播（均为单向，都是前馈网络）
out_fc = fc_fnn(x)
# 打印输出形状（均为[4,2]，传播结果正常）
print("全连接前馈网络输出形状:", out_fc.shape) # torch.Size([4, 2])
总结
- 前馈神经网络（FNN）是信息单向传播的全连接网络，核心是“线性层+激活函数”的堆叠；
- 结构包含输入层、隐藏层（提取特征）、输出层（输出预测），激活函数是引入非线性的关键；
- 实战中用PyTorch的
nn.Linear搭建，训练流程为“前向传播→计算损失→反向传播→更新参数”，适合结构化数据/简单分类任务。