前向传播（Forward Propagation）

前向传播（Forward Propagation）是神经网络计算过程中的一个环节，指输入数据依次经过各层网络，最终得到输出的处理过程。 又称"顺向传播"，是训练流程中最先执行的重要步骤。 在这一过程中，每层的节点将前一层的输出乘以权重，并通过激活函数传递给下一层。 按照输入层→隐藏层→输出层的顺序，贯通整个网络，得到用于预测或分类等目的的最终输出。 前向传播的主要步骤： • 计算输入数据与权重的线性组合（如：z = w₁x₁ + w₂x₂ + ... + b） • 应用激活函数（ReLU、Sigmoid、tanh等）进行非线性变换 • 在所有层重复上述过程，生成最终输出 以该输出与正确数据之间的误差（损失函数值）为基础，接下来通过反向传播（Backpropagation）完成权重更新。 前向传播适用于以下场景： • 模型训练时计算输出 • 推理和预测时的处理（权重固定） • 评估神经网络架构设计 简单来说，前向传播是"从输入生成输出的过程"，反向传播是"利用输出误差修正权重的过程"。 反复执行这两个步骤，AI模型就能不断适应数据，实现高精度预测。