類神經網路根據資料從輸入節點至輸出節點的流向，可分為不同種類，以下列舉幾種較為常見的類型

1. 前饋神經網路(Feed Forward)
   
   圖片來源：連結
   為最早被推出的類神經網路模型架構，此架構通常帶有以下特性：
   (1) 節點完全相連，且各節點間的連結帶有權重
   (2) 激活函數從輸入層單向流向輸出層，不會有循環
   (3) 輸入層和輸出層中間會有一層或多層隱藏層(Hidden Layer)
2. 反向傳播算法(Back Propagation)
   反向傳播算法主要為將誤差值(Loss)向回傳遞，並使用梯度下降法(Gradient Descent)對模型內的權重進行更新，進而達到降低誤差值的目的。
   
   圖片來源：連結

梯度下降法

在類神經網路中，通常會使用損失函數(Loss Function)做為模型結果好壞的依據，梯度下降法為降低損失函數的一種最佳化方法，透過每次的偏微分迭代，向梯度最大的方向前進以尋求最佳解。

圖片來源：連結

反向傳播

反向傳播主要使用微積分中的連鎖律(Chain Rule)由網路末端計算誤差與權重間的關聯性，使得類神經網路收斂速度加快。

3. 卷積神經網路(Convolutional Neural Network)
   CNN使用卷積(Convolution)的方式，架構內有過濾器(Filter, 也可稱為卷積核Kernel)在資料內進行擷取，擷取時會以滑動窗口的形式進行，每進行一次新的擷取，過濾器便會移動一個步長(Stride)後進行擷取，產生一個特徵地圖(Feature Map)。
   
   圖片來源：連結

特徵地圖全部產生後，會進行池化(Pooling)，池化目的為對每個特徵地圖中的最大值、平均值的重要數值進行粹取，並進行特徵圖降維。最後一步為進入全連接層(Fully Connected Layer)進行分類，全連接層中會有激勵函數(Activation Function)對接收到的資訊進行最後的分類。激勵函數也可使用於類神經網路架構的中間層數，以增加類神經網路架構的非線性程度，下篇文會對激勵函數進行詳細的介紹。