神经网络中隐藏层的层数和隐藏层节点数的确定

1.隐藏层的层数

一般来说，层数越多，整个网络的误差也就越小，但是会是整个网络复杂化，增加网络的训练时间，也有可能出现“过拟合”（太适应于训练集，在测试集上效果不好）的情况。一般来说，一两层的隐藏层已经能够解决很多问题了，如果数据量多，可以在防止出现过拟合的情况下适当的增加层数。

2.隐藏层节点数

隐藏层节点数是导致“过拟合”的直接原因，确定隐藏层节点数与输入输出维度相关，并且每个模型都是不一样的。目前来说，确定隐藏层节点数也是比较困难的，但是必须满足以下两个条件：

• 1.隐藏层的节点数必须小于n-1，其中n是训练样本数量。如果节点数不满足这个条件，那么平均下来，每个节点甚至控制不到一个样本，这样子会造成样本与误差相关性小，使得网络泛化能力不行（用新的数据来评估效果就是不好），整个网络没啥意义。
• 2.同样，输入层的节点也要小于n-1，理由同上。（虽然这个不是属于隐藏层，输入输入层，但是由于和隐藏层节点相似，也提一下）
• 3.训练的样本数量必须多于网络模型中的参数，一般要求是2-10倍。样本数量实在不够，那就采取别的方法来增加训练数量，比如K倍交叉法来进行。

总结：针对不同的模型，隐藏层的层数以及隐藏层节点数是不同的，需要考虑输入输出的维度、网络的复杂度、训练样本数量、误差大小等等因素。节点数少了，模型不具有泛化能力，没啥效果；节点多了，容易陷入局部最优（某几个样本相似，然后整个网络往这几个样本靠拢），甚至出现过拟合。