我对神经网络的工作原理一无所知，并提出了一些相互联系的问题，但我找不到答案。
考虑单层前馈神经网络：如果每个隐藏层神经元的功能相同
a1 = relu (w1x1+w2x2), a2=relu(w3x1+w4x2), ...
我们如何使模型学习不同的权重值？
我确实不理解神经元之间手动建立的连接点。如图Manually established connections between neurons所示，通过这种方式，我们定义了功能的可能功能（即，房屋大小和卧室数量加在一起可能表示房屋可以容纳的家庭人数）。但是完全连接的网络对我来说毫无意义。
我认为完全连接的神经网络应该以某种方式自动定义，哪些功能有意义，但是如何实现？
无法回答这个问题，我也不明白为什么要增加神经元数量才能提高模型预测的准确性？
答案 0 :(得分：1)
我们如何使模型学习不同的权重值？
通过在训练开始之前初始化参数。在神经网络完全连接的情况下，否则我们将对每个参数执行相同的更新步骤-这就是您困惑的来源。随机或更复杂的初始化（例如Glorot）均可解决此问题。
为什么要增加神经元数量才能提高模型预测的准确性？
这仅是部分正确，增加神经元数量应提高您的训练准确性（这是验证和测试性能的另一种游戏）。通过添加单位，您的模型能够存储其他信息或将异常值合并到您的网络中，从而提高预测的准确性。考虑一个2D问题（预测每平方米房屋价格超过某些物业的平方米）。使用两个参数可以拟合一条直线，使用三个参数可以拟合一条曲线，依此类推，参数越多，曲线就可以越复杂，并且可以通过每个训练点拟合。
深入了解next step很棒-Karpathy在斯坦福大学的计算机视觉讲座。
