在神经网络中，通常包含三种类型的层：
-
输入层（Input Layer）：输入层接收原始数据，并将其传递给神经网络的第一层隐藏层。每个输入层节点对应输入数据的一个特征或属性。输入层的节点数量取决于输入数据的维度。
-
隐藏层（Hidden Layer）：隐藏层位于输入层和输出层之间，负责对输入数据进行非线性变换和特征提取。隐藏层的节点数和层数是根据网络结构和任务需求来确定的。通过激活函数，隐藏层可以引入非线性关系，使神经网络能够学习复杂的模式和特征。
-
输出层（Output Layer）：输出层接收来自隐藏层的信息，并生成最终的输出结果。输出层的节点数通常与任务的输出维度相匹配，例如分类任务中，每个节点对应一个类别的概率值；回归任务中，每个节点对应一个预测值。
这三种层级组合在一起构成了神经网络的基本结构。输入层负责接收数据，隐藏层进行特征提取和非线性变换，输出层生成最终的预测结果。隐藏层的存在使得神经网络具有了强大的表达能力，可以学习和表示复杂的数据模式和关系。