怎么设置大数据神经网络中神经元和网络层的数量

神经网络模型有个重要的定理，就是万能逼近原理，它指的是存在一个足够大的网络能够达到我们所希望的任意精度。不过这个定理没有给出具体计算网络层数和神经元个数的方法。

真正了解哪种架构最有效以及最暴力的唯一方法是尝试所有架构，然后选择最佳架构。然而对于神经网络而言，这非常困难，因为每种模型都需要花费很多时间来训练。有种做法是先训练一个过大的模型，然后通过消除对网络没有太大贡献的权重来修剪模型。

实际上，没有通用的确定网络层数和神经元个数的方法。不过我们可以从下面两个略抽象的方面来间接探讨这个问题。

更深的网络模型意味着模型拥有更多的中间层（隐藏层）。它的作用是允许模型计算更复杂的特征。例如，在卷积神经网络中，模型前几层代表“低级”特征，例如边缘；最后几层代表“高级”特征，例如面部，身体部位等。对于非结构化数据而言（例如图像），较深的模型会充分挖掘数据的高层次复杂特征。

模型层数多（更深）意味着可以创建更复杂的特征，模型更宽（单层神经元数量多）则意味着可以创建更多的特征。某些问题只需要提取数据简单的特征，不过会需要很多这样简单的特征，这样更宽的模型就会派上用场。通常，到网络末端的维度越来越窄，由于复杂的特征比简单的特征承载更多的信息，因此网络偏末端更需要体现模型的深度而不是宽度。