因为每个数据的输入都伴随着输出，此输出值将与标签值比较产生loss，而loss经反向传播算法会指导各层权重值的修改。重点就在权重值的修改，1、计算机修改权重是试错的过程，需要不断尝试，这很耗时间。2、每一层的权重值的修改，都会影响其他层的权重，进而影响最后的loss，因此计算量很大。
输入节点（Input Nodes）：输入节点从外部世界提供信息，总称为「输入层」。在输入节点中，不进行任何的计算——仅向隐藏节点传递信息。
隐藏节点（Hidden Nodes）：隐藏节点和外部世界没有直接联系（由此得名）。这些节点进行计算，并将信息从输入节点传递到输出节点。隐藏节点总称为「隐藏层」。尽管一个前馈神经网络只有一个输入层和一个输出层，但网络里可以没有也可以有多个隐藏层。
输出节点（Output Nodes）：输出节点总称为「输出层」，负责计算，并从网络向外部世界传递信息。
在前馈网络中，信息只单向移动——从输入层开始前向移动，然后通过隐藏层（如果有的话），再到输出层。在网络中没有循环或回路 [3]（前馈神经网络的这个属性和递归神经网络不同，后者的节点连接构成循环）。
cnn是前馈网络。 前馈网络和反向传播算法没有什么直接关系。前馈网络中也可以使用back propagation。back propagation不是网络结构，而是纠正网络中参数的一种工具。 一个网络中各层可以不含偏置，因为可以使用值为1的节点乘上权重来代替偏置。
