课程链接
曾经有人证明了，用一层隐藏层的神经网络就可以表示任何函数。那么多层的深度网络是否还有必要呢？
要回答这个问题，实际上也就是要阐述深度学习的意义和优势。
模组化
假如我们要分类长发女，长发男，短发女，短发男。直接训练这四类的数据来分类可能是比较困难的，因为长发男的数据相对较少。
但是如果将这个问题拆分成两个模组，一个分辨性别，一个分辨头发的长短，问题就迎刃而解了。
实际上深度学习中多层网络就是将解决方案模组化，这样一来，不仅使问题的解决变得简单，需要的训练数据也更少。
端到端学习
在解决一个复杂问题时，我们常常要将问题分成很多步来求解。
例如下图中传统的语音辨识方法。
而深度学习网络可以自动地将问题拆解成这些步骤，网络规模越大，它所囊括的步骤就越多，理论上可以做到一次性解决。
理论上，一层隐藏层的神经网络确实可以表示任意函数，但是其效率和准确率都是比较低的。在节点数目相同的情况下，单层的网络准确率是远不如多层的深度网络的。
转载：https://blog.csdn.net/qq_43533956/article/details/116210091
查看评论