隐藏层节点数对网络分类行为的影响

( A, B )---2*n*2---( 1, 0 )( 0, 1 )

用网络分类A和B，让A是（0，1）（0，0），让B是（0，0）（1，0）。测试集为（0，0）（0，1）（1，0）（1，1）.记为网络1002.改变隐藏层节点数n，观察n的改变对网络分类能力的影响。

让n=2，固定收敛误差统计迭代次数和分类准确率

有133次013被分为A，2被分为B。有66次01被分为A，23被分为B。这两种情况的比值=133/66=2.015.

用同样的办法让n分别为3，4，5，6，7，8，9，10，11，30.得到比值的数据

n	2	3	4	5	6	7	8	9	10	11	30
比值	2.01515	1.26136	1.84286	2.06154	3.14583	4.68571	7.652174	15.5833	98.5	oo	oo

比值不断增加，013被分为A，2被分为B的占比随着隐藏层节点数的增加而增加。当n=11的时候，013被分为A，2被分为B的占比为100%，就是当n>=11的时候（1，1）被100%的分为A。

具体观察1-0位的分类准确率

1-0位的分类准确率随着n的增加而不断增加，当n=11，趋于稳定为0.75。

具体观察当n=7的数据，将收敛误差缩小到9e-5.得到表格

观察两个位的分类准确率已经趋于稳定，也就是即便将迭代次数设置为更大，或将收敛误差设为更小，分类情况也不会在发生变化。

所以有理由认为将收敛误差设为9e-4到5e-4得到的分类准确率就是n=1-11,30时各网络的峰值分类准确率，是稳定值将不在变化。所以这就意味这隐藏层节点数n对网络的分类能力有直接影响，若要让网络的分类行为与训练集的逻辑分类行为一致n应该存在一个最小值。对网络1002这个值应该就是11.

一个理想的网络应该对所有测试图片都给出一个明确的分类，0或者100%，100%或者0.如果一个网络对一张图片给出50%，50%的判断，这是一种双重态，表明这个网络并不能用于对这张图片分类。所以对于网络1002，随着n的增加（1，1）的归属变得更为明确，表明这个网络的性能是在提高.

一个理想的网络也应该体现训练集所有内在的分类逻辑，如果比值不是0，oo，或者0.5，而是其他值，表明这个网络结构无法表达训练集1002所有的分类逻辑，因此也不是理想的网络。因此随着n的增加，比值在不断的增加表明网络的性能在改善。

所以至少对这个网络1002来说，为了使网络的分类行为与训练集内在分类逻辑一致，存在一个最小的隐藏层节点数nmin，当隐藏层节点数n