Feed-Forward Neural Networks
Feed-forward neural networks อนุญาตให้สัญญาณเดินทางได้เพียงทิศทางเดียว จาก input ไป output ไม่มี feedback (loops) หมายถึง output ของ layer ไหนไม่ส่งผลกลับไปที่ layer เดียวกัน Feed-forward networks มักเป็น networks ที่เรียบง่าย ผูกมัด inputs กับ outputs ใช้ได้ใน pattern recognition โครงสร้างนี้อธิบายได้เป็น bottom-up หรือ top-down
แต่ละ unit ใน hidden layer โดยทั่วไป connected แบบเต็ม (fully connected) กับ units ใน input layer เนื่องจาก network นี้ใช้ standard units units ใน hidden layer คำนวณ output โดยคูณค่าแต่ละ input ด้วย weight ที่สอดคล้อง รวมกัน และใช้ transfer function
Neural network สามารถมี hidden layers หลายชั้น แต่โดยทั่วไป hidden layer เดียวก็พอ ชื่อที่กว้างขึ้น ความจุของ network ในการระบุ patterns จะสูงขึ้น
Unit สุดท้ายทางขวาคือ output layer เพราะเชื่อมต่อกับ output ของ neural network เชื่อมต่อแบบเต็มกับ units ใน hidden layer Neural network โดยทั่วไปใช้คำนวณค่าเดียว ดังนั้น output layer มีเพียงหนึ่ง unit และค่าเดียว
Output layer อาจมีมากกว่าหนึ่ง unit ได้ ตัวอย่าง: ห้างสรรพสินค้า department store chain ต้องการทำนายความน่าจะเป็นว่าลูกค้าจะซื้อสินค้าจากหลายแผนก เช่น women's apparel, furniture, entertainment ร้านต้องการข้อมูลนี้เพื่อวางแผน promotions และ direct mailings
Backpropagation algorithm ทำ learning บน multilayer feed-forward neural network Inputs กระตุ้น attributes ที่คำนวณสำหรับแต่ละ training sample Inputs ถูกส่งเข้า layer ของ units ที่ทำเป็น input layer
Weighted outputs ของ units เหล่านี้ถูกส่งพร้อมกันไปยัง layer ที่สองของ neuron-like units เรียกว่า hidden layer Hidden layer weighted output สามารถเป็น input ของ hidden layers เพิ่มเติม จำนวน hidden layers เลือกได้ และบ่อยครั้งใช้เพียงหนึ่ง
Weighted outputs ของ hidden layer สุดท้าย เป็น inputs ของ units ที่ทำเป็น output layer ซึ่งเผยแพร่ prediction ของ network สำหรับ samples ที่ให้ Units ใน hidden layers และ output layer เรียกว่า neurodes เนื่องจากลักษณะสัญลักษณ์ทางชีววิทยา หรือ output units Multilayer feed-forward networks ของ linear threshold functions ผ่าน hidden units สามารถประมาณฟังก์ชันใดๆ ได้เกือบหมด
