bro进来看看我的理解
为什么叫深度学习而不叫宽度学习？[what]
在学习机器学习中神经网络这一节的时候总是有一个疑问存在，为什么神经网络非要加深度而不是宽度？[吐舌]
以下是个人理解，看图2：
左图宽度学习为1输入、单层8个隐神经元、1输出，总权重参数1×8+8×1=16个，仅单层一次非线性变换，函数拟合能力有限，做高维到低维映射时只能一次性压缩，极易丢失关键特征；右图深度学习为1输入、两层隐藏层（第一层2个神经元、第二层4个神经元）、1输出，总权重参数仅1×2+2×4+4×1=14个，参数总量更少却拥有两层连续非线性变换，多层叠加的复合映射可以拟合远更复杂的数据函数关系，分层完成特征压缩：先将输入映射至2维中间特征空间筛选基础信息，再二次映射至4维高阶特征空间提炼核心规律，分步实现高维到低维的信息降维，分层留存有效特征、减少信息损耗，不会一次性压缩造成特征丢失；反观左侧宽度学习，若要达到右图双层网络同等复杂的函数拟合效果，必须继续成倍增加单层神经元，权重参数会大幅激增，不仅计算成本飙升、容易过拟合，单次单层维度压缩也会大量损失关键信息，最终模型输出的预测精度远不如图中这种深度网络，这也体现出深度神经网络综合性能更优越，但是我感觉一昧的“深”度学习肯定不行，数据从不同维度的空间中变化不仅要考虑到数据在“何”维度能提取到有用的信息（这里是体现到宽度），还要考虑维度变化时提取到的数据信息是否受损（这里体现到的是深度），所以我感觉应该深度+宽度融合的神经网络才是更好的方案。[害羞][害羞][害羞]
深度学习 大模型 人工智能 研究生 考研