神经网络：拟合一个函数
Neural network: fit a function
你能使用只有一个输入、一个输出和一个单层的神经网络来逼近一个函数（不同于直线，但仍在 x,y 平面上：如 cos、sin、arc、exp 等）隐藏的神经元？
是的，你可以！其实这就是通用逼近理论所说的，简而言之：具有单个隐藏层的前馈网络可以逼近任何连续函数。但是，它没有说明该层中的神经元数量（可能非常多）以及通过算法优化此类网络权重的能力。它只是说存在这样的网络。
这是 Cybenko 对原始出版物的 link，他使用 sigmoid 激活函数作为证明：http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.441.7873&rep=rep1&type=pdf
这里还有更友好的推导：http://mcneela.github.io/machine_learning/2017/03/21/Universal-Approximation-Theorem.html
你能使用只有一个输入、一个输出和一个单层的神经网络来逼近一个函数（不同于直线，但仍在 x,y 平面上：如 cos、sin、arc、exp 等）隐藏的神经元？
是的，你可以！其实这就是通用逼近理论所说的，简而言之：具有单个隐藏层的前馈网络可以逼近任何连续函数。但是，它没有说明该层中的神经元数量（可能非常多）以及通过算法优化此类网络权重的能力。它只是说存在这样的网络。
这是 Cybenko 对原始出版物的 link，他使用 sigmoid 激活函数作为证明：http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.441.7873&rep=rep1&type=pdf
这里还有更友好的推导：http://mcneela.github.io/machine_learning/2017/03/21/Universal-Approximation-Theorem.html