前馈神经网络由三个主要部分组成：

• 输入层： 负责接收原始数据，通常对应于特征的维度。
• 隐藏层： 包含一个或多个层，每层由多个神经元组成，用于
• 提取输入数据的抽象特征。
• 输出层： 产生网络的最终预测或分类结果

激活函数：引入非线性特性，使网络能够学习复杂的函数。常见的如ReLU、Sigmoid、Tanh等

权重和偏置：神经网络的可学习参数，它们在训练过程中不断调整，以最小化预测错误。

损失函数： 用于衡量网络预测与实际目标之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵损失等。

反向传播（BP）算法： 通过链式法则，从输出层向输入层逐层计算梯度。

避免过拟合的策略：早停法（Early Stopping）、正则化等。