您目前可以在https://cs230.stanford.edu/files/C1M1.pdf（第 13 页）找到有问题的原始幻灯片“规模驱动深度学习进展”。它可以粗略地解释为“低偏差学习者[在该图中，更大的神经网络]倾向于从更多的训练示例中受益”。

主要原因是在深度学习中，训练参数的数量非常多，而且每个参数至少需要到数据才能进行良好的预测。原因解释起来有点复杂，但如果你坚持要知道原因，我可以告诉你，在测试数据的误差项中，你有一个过拟合项，它会随着样本数量的增加而增长，如果你训练模型是一种随着数据数量的增加而增加的假设。在增长的假设中，不可能使泛化误差与训练误差相同，例如1NN相反，增长为$5$$10$pack learning$O(2^n)$$O(n^c)$仅限于多项式的过拟合可以通过增加训练数据的大小来减少。因此，如果您增加数据的大小，您可以获得更好的泛化错误。深度学习模型遵循二次增长方式。你拥有的数据越多，你拥有的泛化能力就越好。