フィードフォワードニューラルネットワークとは何ですか？

フィードフォワードニューラルネットワークにより、信号は入力から出力まで1つのアプローチでのみ移動できます。一部のレイヤーの出力が同じレイヤーに影響を与えないなどのフィードバック（ループ）はありません。フィードフォワードネットワークは、入力と出力を関連付ける単純なネットワークになる傾向があります。パターン認識に使用できます。このタイプの組織は、ボトムアップまたはトップダウンとして表されます。

隠れ層の各ユニットは、通常、入力層のいくつかのユニットに完全に接続されています。このネットワークには標準の単位が含まれているため、隠れ層の単位は、各入力の値に相関する重みを掛け、これらを挿入し、伝達関数を使用して出力を計算します。

ニューラルネットワークには複数の隠れ層を含めることができますが、通常どおり、1つの隠れ層で十分です。レイヤーが広いほど、デザインを識別するためのネットワークの容量が大きくなります。

右側の最後のユニットは、ニューラルネットワークの出力にリンクされているため、出力層です。隠れ層の一部のユニットに完全に接続されています。ニューラルネットワークは通常、単一の値を計算するために使用されるため、出力層と値には1つのユニットしかありません。

出力層が1単位よりも高い場合に適用できます。たとえば、デパートチェーンでは、ユーザーがレディースアパレル、家具、エンターテインメントなど、いくつかの部門から商品を購入する可能性を予測する必要がありました。プロモーションやダイレクトフォーカスの郵送を計画するために、このデータが必要な店舗。

バックプロパゲーションアルゴリズムは、多層フィードフォワードニューラルネットワークで学習を実行します。入力は、各トレーニングサンプルに対して計算された属性を刺激します。入力は、入力レイヤーを構成するユニットのレイヤーに送られます。

これらのユニットの重み付けされた出力は、隠れ層と呼ばれるユニットのようなニューロンの第2層に同時に供給されます。隠れ層は、複数の隠れ層などに入力できる加重出力です。複数の隠れ層は任意であり、多くの場合、1つが使用されます。

最終的な隠れ層の重み付けされた出力は、出力層を作成するユニットへの入力であり、提供されたサンプルに対するネットワークの予測を拡散します。隠れ層と出力層のユニットは、それらの象徴的な生物学的要素のために、または出力ユニットとしてニューロードとして表されます。隠れユニットを介して提供される線形しきい値関数の多層フィードフォワードネットワークは、いくつかの関数をほぼ近似できます。