前向传播 · Forward Propagation

数据从左到右逐层流动：每个神经元先算加权和 z=Wx+b，再过激活 a=σ(z)，一路点亮到输出层，最后 softmax 出预测。

数据向前流动 ——→ 输入层 隐藏层 输出层 · softmax x₁ 1 x₂ -1 z₁ z₂ a=σ(z) 0.98 a=σ(z) 0.12 z z ŷ₁ 0.75 ŷ₂ 0.25 ← 预测类 输入层 → 隐藏层 → 输出层

记住这点：前向传播就是把上一层的激活当作下一层的输入，反复做两步 — z=b+Σxᵢwᵢ（加权求和）→ a=σ(z)（非线性激活）， 从输入一路算到输出层；多分类时最后用 softmax 把输出变成一组和为 1 的概率，最大者即预测类别。