基本上，拥有多个层（又名深度网络）会使您的网络更渴望识别输入数据的某些方面。例如，如果您有房子的详细信息（大小、草坪大小、位置等）作为输入并想要预测价格。第一层可以预测：

• 面积大，价格高
• 卧室数量少，价格低

第二层可能会得出以下结论：

• 大面积+少量卧室=大卧室=+-效果

是的，一层也可以“检测”统计数据，但是它将需要更多的神经元，因为它不能依赖其他神经元来完成检测该统计数据所需的总计算的“部分”。

看看这个答案

有很多方面。

1. 训练： 由于梯度消失（后爆炸）问题，训练深度网络是一项艰巨的工作。因此不建议构建 10x100 的神经网络。

2. 训练好的网络性能：

• 信息丢失： 神经网络的经典用法是分类问题。这意味着我们希望从数据中获得一些明确定义的信息。（例如，图片中有没有人脸。）所以通常分类问题有很多输入，很少输出，更何况隐藏层的大小是从输入到输出下降的。然而，我们使用更少的神经元逐层丢失信息。（即，我们无法根据上面是否有人脸这一事实来重现原始图像。）因此，如果输入的大小为（假设）1000，您必须知道使用 100 个神经元会丢失信息。
• 信息复杂性：然而，更深的网络（如 Tomas W 所述）可以从输入数据中获取更复杂的信息。尽管如此，不建议使用 10 个全连接层。建议使用卷积/relu/maxpooling 或其他类型的层。最火层可以压缩输入的一些重要部分。（例如图片的特定部分有没有线条） 第二层可以说：图片的这个地方有一个特定的形状。等等等等。

所以更深的网络更“聪明”，但 10x100 的网络结构是一个不错的选择。

如果您要解决的问题是线性可分的，那么 1000 个神经元中的一层可以比 100 个神经元中的每一个的 10 层做得更好。如果问题是非线性的并且不是凸的，那么您需要深度神经网络。

我认为您对神经网络的基础知识感到困惑。每层都有单独的激活函数和输入/输出连接权重。

第一个隐藏层的输出将乘以权重，由下一层的激活函数处理，依此类推。单层神经网络对于简单的任务非常有限，更深的 NN 可以比单层执行得更好。

但是，如果您的应用程序不是相当复杂，请不要使用超过层。总之，100 个神经元层并不意味着比 10 层 x 10 个神经元更好的神经网络，但 10 层是虚构的，除非你在进行深度学习。从隐藏层中的 10 个神经元开始，尝试添加层或向同一层添加更多神经元以查看差异。多层次的学习会更容易，但需要更多的训练时间。