피드포워드 신경망을 사용하면 신호가 입력에서 출력으로 한 가지 접근 방식으로만 이동할 수 있습니다. 일부 레이어의 출력이 동일한 레이어에 영향을 미치지 않는 것과 같은 피드백(루프)이 없습니다. 피드포워드 네트워크는 입력을 출력과 연결하는 단순한 네트워크인 경향이 있습니다. 패턴 인식에 사용할 수 있습니다. 이러한 유형의 조직은 상향식 또는 하향식으로 표시됩니다.
은닉층의 각 단위는 일반적으로 입력층의 일부 단위와 완전히 연결됩니다. 이 네트워크에는 표준 단위가 포함되어 있기 때문에 은닉층의 단위는 각 입력 값에 상관 가중치를 곱하고 이를 위로 삽입하고 전달 함수를 사용하여 출력을 계산합니다.
신경망에는 여러 개의 숨겨진 레이어가 있을 수 있지만 일반적으로 하나의 숨겨진 레이어로 충분합니다. 레이어가 넓을수록 디자인을 식별할 수 있는 네트워크 용량이 높아집니다.
오른쪽의 마지막 단위는 신경망의 출력과 연결되어 있기 때문에 출력 레이어입니다. 은닉층의 일부 유닛과 완전히 연결되어 있습니다. 신경망은 일반적으로 단일 값을 계산하는 데 사용되므로 출력 레이어에 하나의 단위와 값만 있습니다.
하나 이상의 단위를 갖는 출력 레이어에 적용 가능합니다. 예를 들어, 백화점 체인은 사용자가 여성 의류, 가구 및 엔터테인먼트를 포함한 여러 부서의 제품을 구매할 가능성을 예측해야 합니다. 매장에서 프로모션 및 다이렉트 포커스 메일링을 계획하기 위해 이 데이터가 필요합니다.
역전파 알고리즘은 다층 피드포워드 신경망에서 학습을 수행합니다. 입력은 각 훈련 샘플에 대해 계산된 속성을 자극합니다. 입력은 입력 레이어를 구성하는 단위 레이어에 공급됩니다.
이러한 단위의 가중 출력은 은닉층이라고 하는 단위와 같은 뉴런의 두 번째 층에 동시에 공급됩니다. 은닉층은 가중 출력으로 다중 은닉층 등에 입력될 수 있습니다. 다중 은닉층은 임의적이며 자주 사용됩니다.
최종 은닉층의 가중 출력은 출력층을 구성하는 단위에 대한 입력이며, 이는 제공된 샘플에 대한 네트워크의 예측을 확산시킵니다. 은닉층과 출력층의 단위는 상징적인 생물학적 요소나 출력 단위로 인해 신경절로 표현됩니다. 은닉 유닛을 통해 제공되는 선형 임계값 기능의 다층 피드포워드 네트워크는 일부 기능에 거의 근접할 수 있습니다.