前饋神經網絡由三個主要部分組成：

• 輸入層： 負責接收原始數據，通常對應于特征的維度。
• 隱藏層： 包含一個或多個層，每層由多個神經元組成，用于
• 提取輸入數據的抽象特征。
• 輸出層： 產生網絡的最終預測或分類結果

激活函數：引入非線性特性，使網絡能夠學習復雜的函數。常見的如ReLU、Sigmoid、Tanh等

權重和偏置：神經網絡的可學習參數，它們在訓練過程中不斷調整，以最小化預測錯誤。

損失函數： 用于衡量網絡預測與實際目標之間的差異，常見的損失函數包括均方誤差（MSE）、交叉熵損失等。

反向傳播（BP）算法： 通過鏈式法則，從輸出層向輸入層逐層計算梯度。

避免過擬合的策略：早停法（Early Stopping）、正則化等。