โครงข่ายประสาทฟีดฟอร์เวิร์ดช่วยให้สัญญาณเดินทางได้เพียงแนวทางเดียวเท่านั้น จากอินพุตไปยังเอาต์พุต ไม่มีการป้อนกลับ (วนซ้ำ) เช่น ผลลัพธ์ของบางเลเยอร์ไม่ส่งผลต่อเลเยอร์เดียวกันนั้น เครือข่ายฟีดฟอร์เวิร์ดมักจะเป็นเครือข่ายธรรมดาที่เชื่อมโยงอินพุตกับเอาต์พุต สามารถใช้ในการจดจำรูปแบบได้ องค์กรประเภทนี้จะแสดงเป็นแบบจากล่างขึ้นบนหรือบนลงล่าง
โดยทั่วไปแล้วแต่ละยูนิตในเลเยอร์ที่ซ่อนอยู่จะเชื่อมต่อกับบางยูนิตในเลเยอร์อินพุตอย่างสมบูรณ์ เนื่องจากเครือข่ายนี้ประกอบด้วยหน่วยมาตรฐาน หน่วยในเลเยอร์ที่ซ่อนอยู่จึงคำนวณเอาท์พุตโดยการคูณค่าของอินพุตแต่ละรายการด้วยน้ำหนักที่สัมพันธ์กัน แทรกค่าเหล่านี้ขึ้น และใช้ฟังก์ชันถ่ายโอน
โครงข่ายประสาทเทียมสามารถมีชั้นที่ซ่อนอยู่ได้หลายชั้น แต่ตามปกติ ชั้นที่ซ่อนอยู่เพียงชั้นเดียวก็เพียงพอแล้ว ยิ่งเลเยอร์กว้างขึ้นเท่าใด ความสามารถของเครือข่ายในการระบุการออกแบบก็จะยิ่งสูงขึ้น
หน่วยสุดท้ายทางด้านขวาคือชั้นเอาท์พุตเพราะมันเชื่อมโยงกับเอาท์พุทของโครงข่ายประสาทเทียม มันเชื่อมต่อกับบางหน่วยในเลเยอร์ที่ซ่อนอยู่อย่างสมบูรณ์ โดยทั่วไป โครงข่ายประสาทเทียมจะใช้ในการคำนวณค่าเดียว ดังนั้นจึงมีหน่วยเดียวในเลเยอร์เอาต์พุตและค่านั้น
ใช้ได้กับชั้นเอาต์พุตที่มีมากกว่าหนึ่งหน่วย ตัวอย่างเช่น ห้างสรรพสินค้าจำเป็นต้องคาดการณ์แนวโน้มที่ผู้ใช้จะซื้อผลิตภัณฑ์จากหลายแผนก รวมถึงเครื่องแต่งกายสตรี เฟอร์นิเจอร์ และความบันเทิง ร้านค้าจำเป็นต้องใช้ข้อมูลนี้ในการวางแผนโปรโมชันและการส่งจดหมายเน้นโดยตรง
อัลกอริธึม backpropagation ทำการเรียนรู้บนโครงข่ายประสาทเทียมแบบฟีดฟอร์เวิร์ดหลายชั้น อินพุตกระตุ้นแอตทริบิวต์ที่คำนวณสำหรับตัวอย่างการฝึกอบรมแต่ละรายการ อินพุตจะถูกป้อนเข้าไปในเลเยอร์ของหน่วยที่ประกอบขึ้นเป็นเลเยอร์อินพุต
เอาต์พุตแบบถ่วงน้ำหนักของหน่วยเหล่านี้จะถูกป้อนพร้อมกันไปยังเลเยอร์ที่สองของเซลล์ประสาท เช่น หน่วยที่เรียกว่าเลเยอร์ที่ซ่อนอยู่ เลเยอร์ที่ซ่อนอยู่เป็นเอาต์พุตแบบถ่วงน้ำหนัก ซึ่งสามารถป้อนไปยังเลเยอร์ที่ซ่อนอยู่หลายเลเยอร์ได้ ฯลฯ เลเยอร์ที่ซ่อนอยู่หลายเลเยอร์นั้นเป็นไปตามอำเภอใจและมักใช้เลเยอร์เดียว
เอาต์พุตแบบถ่วงน้ำหนักของเลเยอร์ที่ซ่อนอยู่สุดท้ายคืออินพุตไปยังหน่วยที่สร้างเลเยอร์เอาต์พุต ซึ่งจะกระจายการคาดการณ์ของเครือข่ายสำหรับตัวอย่างที่จัดเตรียมไว้ หน่วยในเลเยอร์ที่ซ่อนอยู่และเลเยอร์เอาต์พุตจะแสดงเป็นเซลล์ประสาท เนื่องจากองค์ประกอบทางชีววิทยาเชิงสัญลักษณ์หรือเป็นหน่วยเอาต์พุต เครือข่ายฟีดฟอร์เวิร์ดหลายชั้นของฟังก์ชันขีดจำกัดเชิงเส้นที่มีให้ผ่านหน่วยที่ซ่อนอยู่สามารถประมาณฟังก์ชันบางอย่างได้เกือบทั้งหมด
