搜尋意圖： 如果你在找「前饋神經網路 是什麼」或「前饋神經網路 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 前饋神經網路是一種訊息單向傳播的神經網路，由輸入層、隱藏層和輸出層組成，廣泛應用於分類和迴歸任務。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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？
Q2： 如果你要做語音逐字輸入，前饋網路一定是最佳選擇嗎？
常見問題
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。
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。
為什麼它叫前饋？
因為訊號主要從前往後流動，不會回圈。
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。