知了AI学习平台Logo知了
算法动画 · 神经网络

前向传播动画

展示数据如何在神经网络中从输入层经过隐藏层到达输出层的完整计算过程。

Forward Propagation

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
未激活·当前高亮（4 个元素）
1

输入层接收两个特征值 x1 和 x2，数据准备进入网络。

第 1 步 / 共 617%
公式推导

前向传播: 矩阵乘法到激活函数

从单个神经元计算出发，推广到矩阵形式的层间传播，构建完整的前向传播流程。

第 1 / 617%
1

单个神经元的加权求和

z=w1x1+w2x2+⋯+wnxn=∑j=1nwjxjz = w_1 x_1 + w_2 x_2 + \cdots + w_n x_n = \sum_{j=1}^{n} w_j x_j
👉

关键部分

∑j=1nwjxj\sum_{j=1}^{n} w_j x_j

一个神经元将输入特征与权重相乘后求和，得到线性组合 z。

代码沙盒

前向传播

使用 NumPy 实现神经网络的前向传播过程。

📌 单层前向传播：一个全连接层的前向计算。

🧠AI 冷知识

你知道吗？

这些有趣的 AI 小知识可能让你大吃一惊

💡
概念

一个100层的前向网络如果没有激活函数，无论多深都等价于一个单层线性模型——因为连续线性变换的复合仍然是线性的。这就是为什么激活函数对深度网络不可或缺。

一句话总结
💡

前向传播是输入数据逐层通过权重和激活函数计算得到输出的过程，是神经网络推理的基础。

常见误区

这些坑别踩

✗

误区 1

前向传播时参数会被更新。

✓

正确理解

前向传播只是计算输出，参数更新发生在反向传播后的梯度下降阶段，前向和反向是两个独立阶段。

✗

误区 2

网络层数越深前向计算越准确。

✓

正确理解

层数增加会提升表达能力，但也可能梯度消失/爆炸、过拟合，且计算开销增大，深度不一定等于精度，需要合理设计。

巩固练习

章节练习与面试准备

通过测试检验学习效果，通过面试题提升实战能力

章末测试

共 4 题 · 选择题

1

在前向传播中，某一全连接层的输出计算为？

2

若输入层 3 个神经元、隐藏层 4 个神经元，该全连接层的权重矩阵 W 的形状是？

3

关于前向传播中激活函数的链式应用，下列说法正确的是？

4

对于一个 3 层网络（输入 2、隐藏 3、输出 1），前向传播的正确顺序是？

面试经典题

共 4 题 · 先思考再看答案

1
基础

请详细描述神经网络前向传播的计算过程。

2
中等

为什么多层线性变换不加激活函数会退化为单层线性模型？

3
中等

前向传播中的矩阵运算如何利用批量处理加速？

4
困难

前向传播需要缓存哪些中间值？为什么？

💡 建议：先独立思考并组织语言，再对照参考答案查漏补缺