更多类增加网络大小的最明显方式是输出层，但我不相信整个网络的大小有一个经验法则。

据我了解，对于层数与类数相比，网络需要多大才能实现一定的性能没有明确的答案。这是一个非常活跃的研究领域，就像一个例子，将 EfficientNet 的大小与其他最先进的模型在引入时进行比较，您可以看到大小差异。

关于所需的数据，在The Deep Learning Book（现在已经有几年了）中，他们一般说，对于当时可用的模型，每个标签需要大约 5000 个示例才能获得可接受的性能，同时要超过人类的表现（他们的话）您将需要大约 1000 万个带标签的示例。

模型/网络设计有多个准则，一个基本的准则是：网络的解决能力应该大于待解决问题的可能性空间。

一个网络（通常是密集的）的求解能力（学习能力）可以计算为所有层中神经元数量的乘积，例如：

输入形状：10 个值
网络形状：[layer1 30 个单元，layer2 20 个单元，输出 1 个单元] 应该有学习能力$30 \times 20 \times 1 = 600$，它学习大约最多 600 个不同的输入（每个输入包含 10 个值）。

另一个考虑，分离线，即使要学习的问题的输入是无限的，但是 2 个类（只是示例）总是在一条线的两侧分开而不会混淆，只需一个神经元就可以解决问题。

一个神经元可以制作 1 条分隔线，1 层制作一条折线，由该层中的神经元分段，另一层制作另一条折线。

因此，更多的类，更多的分离，更多的类意味着输入的种类很大，所以训练数据肯定很多，模型大小需要很大。