在 ANN 中，神经元是相互连接的，每个神经元的输出通过权重连接到下一个神经元。这些互连的架构在 ANN 中很重要。这种排列是层的形式，层之间和层内的连接是神经网络架构。

最常见的网络架构是：

1. 单层前馈网络

2. 多层前馈网络

3. 具有自己反馈的单节点

4. 单层循环网络

5. 多层循环网络 

1) 单层前馈网络

层是由神经元组成的网络。这些神经元连接到下一层的其他神经元。对于单层，只有输入层和输出层。输入层通过权重连接到输出层节点。

所有输入节点都连接到每个输出节点。术语前馈描述了没有从输出层发送到输入层的反馈。这形成了一个单层前馈网络。

2) 多层前馈网络

多层网络由输入和输出之间的一层或多层组成。输入层只接收一个信号并对其进行缓冲，而输出层显示输出。输入和输出之间的层称为隐藏层。

隐藏层不与外部环境接触。隐藏层数量越多，输出响应就越有效。上一层的节点连接到下一层的每个节点。

由于没有连接到输入或隐藏层的输出层，它形成了一个多层前馈网络。

3) 有自己反馈的单节点

输出层输出作为输入发送回输入层或其他隐藏层的网络称为反馈网络。在单节点反馈系统中，有一个输入层，其中输出被重定向回作为反馈。

4) 单层循环网络

在单层循环网络中，反馈网络形成一个闭环。在这个模型中，单个神经元接收反馈给它自己或网络中的其他神经元或两者。

5) 多层循环网络

在多层循环网络中，存在多个隐藏层，输出被重定向回前一层的神经元和同一层中的其他神经元或同一神经元本身。

让我们使用给定输入的下面的网络，计算网络输入神经元，并获得神经元 Y 的输出，激活函数为二进制

输入有 3 个神经元 X1、X2 和 X3，以及单个输出 Y。

与输入相关的权重是：{0.2, 0.1, -0.3}
输入= {0.3, 0.5, 0.6}
净输入 ={x1*w1+x2*w2+ x3*w3}
净输入 = (0.3*0.2) + (0.5*0.1) + (0.6*-0.3)
净输入= -0.07

二进制 S 型的输出：

X 为 -0.07
输出为 0.517