没有隐藏节点的前馈神经网络只能找到线性决策边界。但是，大多数时候您需要非线性决策边界。因此，您需要具有非线性激活函数的隐藏节点。您拥有的隐藏节点越多，找到好的参数所需的数据就越多，但您可以找到的决策边界越复杂。

神经网络对于机器人来说是非常好的方法。神经网络的主要功能是对所有features. 现在，这可以通过features在一定程度上选择它们之间可能的组合来手动完成。但这种方法有缺点：

• 选择特征很乏味。
• 计算您引入的新功能的价值需要时间和额外的计算机资源。
• 由于您无法将超过 3D 的数据可视化，因此您不能绝对确定您选择features的数据是否足以对您的问题进行建模。

现在，如果您使用 NN，NN 将通过调整 和features和 节点之间的连接权重来自动选择特征组合（前提是它有足够的隐藏节点）。这种方法的主要优点是：

• 您不必手动选择feature组合。
• 如果数据仍然不合适，您可以轻松增加或减少节点数量，而无需修改整个网络。
• 此外，它的计算效率也很高，因为您不必计算factors与问题无关的值。

希望这就是你要找的！

通常一个节点/层将输入的线性拟合应用于假设，换句话说，使用线性函数 ($y = ax + b$）。添加层链线性函数，可能允许拟合更高阶函数。一个很好的解释可以在这里找到。