Mạng nơ-ron Feed-forward cho phép tín hiệu đi một chiều duy nhất, từ đầu vào đến đầu ra. Không có phản hồi (vòng lặp) như đầu ra của một số lớp không ảnh hưởng đến lớp đó. Mạng feed-forward tend to là mạng đơn giản liên kết đầu vào với đầu ra. Có thể dùng trong nhận diện mẫu. Loại tổ chức này được biểu diễn như bottom-up hoặc top-down.
Mỗi đơn vị trong lớp ẩn thường được kết nối hoàn toàn với các đơn vị trong lớp đầu vào. Vì mạng này bao gồm các đơn vị tiêu chuẩn, các đơn vị trong lớp ẩn tính toán đầu ra của chúng bằng cách nhân giá trị của mỗi đầu vào với trọng số tương ứng, cộng chúng lại, và áp dụng hàm chuyển đổi.
Một mạng nơ-ron có thể có nhiều lớp ẩn, nhưng như thường lệ, một lớp ẩn là đủ. Càng rộng lớp càng cao khả năng của mạng nhận diện mẫu.
Đơn vị cuối cùng bên phải là lớp đầu ra vì nó liên kết với đầu ra của mạng nơ-ron. Nó được kết nối hoàn toàn với các đơn vị trong lớp ẩn. Mạng nơ-ron thường được dùng để tính một giá trị đơn, do đó chỉ có một đơn vị trong lớp đầu ra và giá trị đó.
Có thể có nhiều hơn một đơn vị trong lớp đầu ra. Ví dụ, chuỗi cửa hàng đa phần cần dự đoán xác suất người dùng sẽ mua sản phẩm từ nhiều bộ phận, bao gồm thời trang nữ, nội thất, và giải trí. Cửa hàng cần dữ liệu này để lên kế hoạch khuyến mãi và thư gửi trực tiếp.
Thuật toán backpropagation thực hiện học trên mạng nơ-ron feed-forward nhiều lớp. Các đầu vào kích hoạt các thuộc tính tính cho mỗi mẫu huấn luyện. Các đầu vào được đưa vào lớp đơn vị tạo nên lớp đầu vào.
Đầu ra có trọng số của các đơn vị này được đưa đồng thời đến lớp thứ hai của các đơn vị như nơ-ron gọi là lớp ẩn. Đầu ra có trọng số của lớp ẩn có thể là đầu vào cho nhiều lớp ẩn v.v. Số lớp ẩn là tùy ý và thường một được dùng.
Đầu ra có trọng số của lớp ẩn cuối cùng là đầu vào cho các đơn vị tạo nên lớp đầu ra, phát tán dự đoán của mạng cho mẫu cho trước. Các đơn vị trong các lớp ẩn và lớp đầu ra được biểu diễn như neurodes, do các yếu tố tượng trưng sinh học hoặc như đơn vị đầu ra. Mạng feed-forward nhiều lớp các hàm ngưỡng tuyến tính cung cấp qua các đơn vị ẩn có thể xấp xỉ gần như mọi hàm.