---
title: "前饋神經網路（Feedforward Neural Network）"
slug: feedforward-neural-network
language: zh-TW
source: https://aiterms.tw/terms/feedforward-neural-network
updated_at: 2026-07-29
tags: [深度學習, 神經網路, 模型訓練, 模型評估, AI基礎, iPAS中級]
ipas_term: false
---

# 前饋神經網路（Feedforward Neural Network）

> **你有沒有遇過一個模型，資料進去後就一路往前算，不會回頭看前文？**
>
> 你可以把前饋神經網路想成直線往前走的判斷器，輸入只往下一層傳，不會把前一輪狀態再拿回來。
>
> 它重要，是因為很多表格式資料只需要穩定的前向計算，不一定要記住前面的時間順序。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **前饋神經網路 vs 循環神經網路**
> 前饋網路只做單次前向傳遞。
> 循環神經網路會把過去狀態帶回來，適合序列資料。
>
> **前饋神經網路 vs 轉換器架構**
> 前饋網路是最基礎的全連接堆疊。
> 轉換器會再加上注意力機制，處理長距離關係更強。

### 記住這句就好
> 只往前算、不回頭記，就是前饋神經網路。

### 實際案例
> **信用審核**
> 把收入、負債、年資丟進去，模型直接前向輸出風險分數，很適合固定欄位資料。
>
> **工廠良率預測**
> 用溫度、壓力、轉速等欄位預測結果，通常不需要時間記憶時，前饋網路就能工作。

### 算法與應用
> 它通常由輸入層、隱藏層和輸出層組成，層與層之間做加權求和與非線性轉換。
> 這是很多深度學習模型的基礎骨架，也是理解更複雜架構前很值得先懂的東西。

### 前饋是什麼意思，跟其他架構差在哪

> 前饋（feedforward）指的是資料只往一個方向流：從輸入層經過隱藏層到輸出層，中間沒有任何回頭的連接。這是神經網路裡最基本的形狀，其他架構都可以看成在它上面加東西。

| 架構 | 資料怎麼流 | 適合什麼 |
| --- | --- | --- |
| 前饋神經網路（FNN / MLP） | 單向，層與層之間全連接 | 表格資料、當作其他架構的元件 |
| 卷積神經網路（CNN） | 單向，但用局部感受野與權重共享 | 影像、有空間結構的資料 |
| 循環神經網路（RNN） | 有回頭的連接，帶隱藏狀態 | 序列資料 |
| Transformer | 單向，但每層內有注意力 | 序列，可平行訓練 |

> 嚴格說，CNN 與 Transformer 也都是前饋的（沒有循環連接），只有 RNN 這一類不是。日常講「前饋神經網路」時通常特指全連接的那一種，也叫多層感知器（Multilayer Perceptron, MLP）。

### 為什麼它到現在還很重要

> 表面上 FNN 好像被 CNN 與 Transformer 取代了，實際上它一直在裡面。
>
> **Transformer 每一層都有一個 FNN。** 注意力層之後接的那個前饋網路（通常寫作 FFN），是一個兩層的 MLP，隱藏維度往往是模型維度的四倍。以參數量計算，Transformer 大約三分之二的參數在這些 FNN 裡，不在注意力上。近年的專家混合（Mixture of Experts, MoE）做的就是把這一塊換成多組專家再稀疏啟動。
>
> **CNN 最後也接 FNN 做分類。** 卷積層負責抽特徵，最後的全連接層負責把特徵映射到類別。
>
> **表格資料上它仍是合理選擇。** 雖然梯度提升樹在多數表格任務上更強，但需要與其他神經網路模組串接、或需要端到端可微時，FNN 是唯一選擇。
>
> 理論上還有一個常被引用的結論：通用近似定理（universal approximation theorem）證明只要隱藏層夠寬，單隱藏層的前饋網路就能逼近任意連續函數。但這只證明存在，沒說好不好訓練，實務上深而窄通常比淺而寬更有效率。

### 情境判斷
> **Q1：如果資料是固定欄位、沒有時間順序，前饋網路常常可以派上用場嗎？**
> → 可以，這正是它最常見的舞台。
>
> **Q2：如果你要做語音逐字輸入，前饋網路一定是最佳選擇嗎？**
> → 不一定，因為那是序列問題，通常要看情況改用能處理時間依賴的模型。

### 常見問題
> **Q：前饋神經網路就是深度學習嗎？**
> 不是，前饋網路只是深度學習裡的一種基本架構。
>
> **Q：它能處理文字嗎？**
> 可以做分類類任務，但若要理解上下文，通常還要更強的序列模型。
>
> **Q：為什麼它叫前饋？**
> 因為訊號主要從前往後流動，不會回圈。
>
> **Q：層數越多一定越好嗎？**
> 不一定，太深會增加訓練難度，也可能更難調。

### 相關術語
> - **深度學習**：前饋網路是它最基礎的入門架構之一。
> - **循環神經網路**：理解差異，會更知道什麼時候要記憶。
> - **注意力機制**：想處理更複雜關係時，常會往這裡延伸。
> - **轉換器架構**：很多現代模型都建立在它和前饋層的組合上。
> - **自然語言處理**：常見應用場景之一，但通常不只靠它單獨完成。

---

來源：https://aiterms.tw/terms/feedforward-neural-network
快查頁：https://aiterms.tw/terms/feedforward-neural-network
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-feedforward-neural-network