Neural network 高效计算任意神经网络输出？

我正在学习神经网络，它们是我遇到的最整洁的东西

我的问题是：如何计算具有任意拓扑结构的神经网络的输出？是否有一些算法或经验法则可供使用

例如，我知道前馈网络有直接的矩阵表示，但对于有回路或输出连接到输入的网络呢？这些有矩阵形式吗？还是生成输出的唯一方法是进行某种图形遍历

例如：

让我们用你们的神经网络结构来看这幅图， 随信附上您的问题。
人工神经网络连接并不像看上去那样是常见的有向图。 这里还隐含了其他限制，例如按层分布的不同类型的节点。
有输入节点、隐藏节点和输出节点。 简单地说，输入节点（神经元值）被认为是只读的，并且没有修改的方法。这就是为什么节点9和4之间的连接与输入4本身一样没有意义，因为它的信号不会进一步传播。
节点8和11之间的连接也是如此。 你可能会看到，神经网络的基础知识是以一种简单的方式解释的

谈到有循环的网络，我们假设循环网络。 假设，我们已在下图中显示。 我们如何计算产量
我们可以尝试应用与前馈网络相同的计算规则。 ，
，这里是f-激活功能。
但是，等一下，我们不需要知道吗 及 价值观 从技术上讲，这不是递归
您可以将其理解为“节点的下一个值取决于节点的当前值”。
描述的网络动态可以通过“展开”（如下所示）可视化。 因此，递归网络可以被视为一个深层网络，每个时间步只有一层，跨时间步共享权重。在这里，我们将步骤0隐藏层视为步骤1的输入。
回到我们的例子，第一步计算的公式应该是这样的
同样，对于第二步，可计算为 .

为了简化，和的值可以用零初始化（尽管实际上初始状态被训练为模型参数）。展开用于（技术上，我们只是用一系列前馈隐藏层替换递归网络）

---

总而言之，循环网络仍然有矩阵表示和操作，尽管这看起来不明显和简单。

我认为你可以使用数组来记录已经访问的节点，从而绕过网络中的循环。既然你已经解释过了，这就更有意义了。对于一个紧密互联的大型网络来说，这听起来很复杂，但递归似乎是解决方案。谢谢我很难理解，直到我意识到我把这个问题看作是一个调用堆栈，在我的脑海中，调用堆栈总是会溢出<代码>f（o5）->f（h3）->f（h4）->f（h3）->f（h4）