为什么神经网络中只有一个隐藏层？
Why is there only one hidden layer in a neural network?
我最近做了我的第一个神经网络模拟，它也使用了遗传进化算法。它是一种简单的软件，只是模拟简单的生物体收集食物，正如人们所期望的那样，它们从具有随机和零星运动的生物体进化为具有受控的、寻找食物运动的生物体。由于这种生物体非常简单，我只使用了几个隐藏层神经元和几个输入输出神经元。我知道可以通过简单地添加更多神经元来构建更复杂的神经网络，但是您不能添加更多层吗？或者这会造成某种冗余吗？所有神经网络图的图片，比如这张http://mechanicalforex.com/wp-content/uploads/2011/06/NN.png，总是有一层输入层，一层隐藏层，一层输出层。如果只是添加一堆隐藏层，就不能构建更复杂的神经网络吗？当然，这会使神经网络的处理变得更加困难，但它会产生任何优势吗，或者它是否与向单层添加更多神经元一样？
您可以包含任意数量的隐藏层，从零开始（--这种情况称为 感知器）。
但是，表示未知函数的能力原则上并没有增加。单隐藏层神经网络已经拥有 universal representation 属性：通过增加隐藏神经元的数量，它们可以拟合（几乎）任意函数。你不能得到更多。尤其不是通过添加更多层。
然而，这并不意味着多隐藏层 ANN 在实践中 没有用处。然而，当您在参数集中获得另一个维度时，人们通常会坚持使用单隐藏层版本。
我最近做了我的第一个神经网络模拟，它也使用了遗传进化算法。它是一种简单的软件，只是模拟简单的生物体收集食物，正如人们所期望的那样，它们从具有随机和零星运动的生物体进化为具有受控的、寻找食物运动的生物体。由于这种生物体非常简单，我只使用了几个隐藏层神经元和几个输入输出神经元。我知道可以通过简单地添加更多神经元来构建更复杂的神经网络，但是您不能添加更多层吗？或者这会造成某种冗余吗？所有神经网络图的图片，比如这张http://mechanicalforex.com/wp-content/uploads/2011/06/NN.png，总是有一层输入层，一层隐藏层，一层输出层。如果只是添加一堆隐藏层，就不能构建更复杂的神经网络吗？当然，这会使神经网络的处理变得更加困难，但它会产生任何优势吗，或者它是否与向单层添加更多神经元一样？
您可以包含任意数量的隐藏层，从零开始（--这种情况称为 感知器）。
但是，表示未知函数的能力原则上并没有增加。单隐藏层神经网络已经拥有 universal representation 属性：通过增加隐藏神经元的数量，它们可以拟合（几乎）任意函数。你不能得到更多。尤其不是通过添加更多层。
然而，这并不意味着多隐藏层 ANN 在实践中 没有用处。然而，当您在参数集中获得另一个维度时，人们通常会坚持使用单隐藏层版本。