前馈神经网络

前馈神经网络的特点是：

1. 数据流在一个方向上传递，即从输入层经过一系列隐藏层到最后的输出层，不存在循环或反馈路径，信息不会从后续层返回到前面的层。
2. 每一层神经元仅依赖于前一层神经元的输出，不存在层间的直接相互影响。

而在循环神经网络（Recurrent Neural Network, RNN）或递归神经网络中，这些网络允许信息在网络中沿时间维度循环传递，也就是说，当前时刻的输出不仅仅取决于当前时刻的输入，还受到过去时刻状态的影响。

所以，前馈神经网络和循环/递归神经网络的主要区别在于它们的拓扑结构和信息处理方式：

• 前馈神经网络（FNN）：

  • 拓扑结构是单向无环的。
  • 不考虑时间序列的前后依赖关系，适用于静态输入和无需记忆历史信息的任务。
  • 包括但不限于多层感知器（Multilayer Perceptron, MLP）、卷积神经网络（Convolutional Neural Network, CNN）等。

• 循环神经网络（RNN）及其变体：

  • 拓扑结构中有环状链接，允许信息在网络中循环传递。
  • 适合处理序列数据，能记住并利用过去的输入信息来影响当前和未来的输出决策。
  • 包括基本RNN、长短期记忆网络（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）等。