以手写输入作为例子，为简单，只区分0和1，所以这是一个二分类问题，我们输入一张图片，输出数字0还是1，是一个8*8的一个像素图片，64个像素组成的网格矩阵，其中255表示白色，0表示黑色像素不同的数字表示不同的灰度，给予这两个特征我们使用具有两个隐藏层的神经网络，其中一个具有25个神经元，或者25个单元，第二个隐藏有有15个神经单元，最后输出层输出这是0还是1的概率，
让我们计算是从x到a1，因为有25个神经元，所以参数是用w1到w25，这样我们就得到了a1,
下一步就是计算a2其中a1就是第二层的输入，我们用w2乘以a1然后加上第二层的偏置，用sigmoid函数，第二层有15个神经元，所以对应的参数也有15个，对此我们计算的到了a2
然后我们用相似的计算得到了a3，这是到了输出层， 只有一个神经元，所以a3是一个标量，然后可以对a3进行阈值化，得到二分类标签，
如上图所示，我们从右到左进行计算，依次得到a1，a2，a3所以叫做前向传播，
与另一种方法反向反驳形成对比，后者用于学习，
这种神经架构网络，在初始阶段有很多的隐藏单元，如然后随着越接近输出层，隐藏单元越少，这也是选择神经网络架构的典型选择，