前馈神经网络（Feedforward Neural Network）是一种最基本的人工神经网络结构，它由多个层次的神经元组成，这些神经元间具有相互连接的权重。数据从输入层进入，然后逐层传播，最后到达输出层。在这个过程中，信息只在一个方向上流动，从输入层到输出层，没有反馈回路。下面是一个具体的例子：

假设我们要使用前馈神经网络来识别手写数字（0-9）。在这个任务中，输入是手写数字的图像像素值，输出是一个包含10个元素的概率向量，每个元素对应一个数字的概率。

1. 输入层：输入层的神经元数量等于输入数据的维度。在这个例子中，假设手写数字图像大小为28x28像素，因此输入层有28x28=784个神经元，每个神经元对应一个像素值。

2. 隐藏层：在输入层和输出层之间，可以有一个或多个隐藏层。隐藏层的神经元数量和激活函数可以自由选择。例如，我们可以设计一个具有两个隐藏层的网络，其中第一个隐藏层具有128个神经元，第二个隐藏层具有64个神经元。隐藏层的激活函数可以是ReLU、tanh等。

3. 输出层：输出层的神经元数量等于目标类别的数量。在这个例子中，有10个数字，因此输出层有10个神经元。为了得到概率分布，输出层的激活函数通常选择softmax。

当输入图像经过这个前馈神经网络时，信息从输入层开始流动，通过隐藏层，最后到达输出层。在每一层，神经元将其输入与权重相乘，加上偏置，然后应用激活函数。这个过程一直持续到输出层，最终得到一个概率向量，表示每个数字的预测概率。注意，这个过程中没有反馈或循环连接，因此称为前馈神经网络。