1、多層的學習效果往往比單層要好，即便引數的個數一樣
2、在用c語言進行結構化程式設計時，我們從來不會把大量的功能寫到乙個函式裡面，而是寫很多函式同過函式呼叫實現目標。神經網路也類似，乙個層可以看做乙個函式實現了乙個功能，多層結構更清晰，功能也更強大。
3、如下圖所示，如果只有一層的話就很難識別長頭髮男生，因為其樣本太少
增加一層實現識別性別的功能，在此基礎上進一步區分長髮和短髮，效果就好一些
因此，深層網路相比淺層網路需要更少的訓練資料（這一點與通常的大眾認知不同）。
4、雖然乙個只有一層隱含層的神經網路就可以模擬出任何連續函式，但事實上很少有人用這種簡單的網咯。因為，深度網咯更高效、更強大。
這一點類似於邏輯電路。乙個兩層的邏輯電路可以實現任何布林函式，但是現實中的邏輯電路有很多層
5、深度網咯可以完成更複雜的任務。比如：
再比如：
還有：
機器學習之why deep？
模組化 使用模組化，使用的資料是可以比較少的 如下圖，分類中，男生長髮的資料是比較少的，那麼就模組化！如下圖，模組化，先基本分類，男生和女生 長髮和短髮。半監督學習 為什麼需要半監督學習？我們需要data,但是有用的資料是比較少的，會講下面4個內容 一 半監督學習在generative model ...
深度學習筆記
在深度神經網路中，通常使用一種叫修正線性單元 rectified linear unit，relu 作為神經元的啟用函式。relu函式其實是分段線性函式，把所有的負值都變為0，而正值不變，這種操作被成為單側抑制。可別小看這個簡單的操作，正因為有了這單側抑制，才使得神經網路中的神經元也具有了稀疏啟用性...
深度學習筆記
如果沒有啟用函式，或則是線性啟用函式，g z z,那麼在深度神經網路中，相當於都做的是線性變換，多個線性變換的組合還是線性變換。這樣的結果和邏輯回歸沒什麼區別，也就是說，這種情況下，無論神經網路的深度有多深，也就等價於乙個一層的網路，隱藏層沒什麼作用。因此需要非線性啟用函式。1.什麼時候插入，ski...