理工酷

大多数情况下，这是没有必要的。这样会导致灵活性过大，就像系统尚未确定：变量太多，而数据不足。

此外，深层网络的关键点之一是，我们获得的功能是不同复杂程度的。层中的每个节点都是特定的功能。确实可以实现所需的任何功能，但是，这样的方法将无法滤除噪声，并且很容易地就会过度拟合数据，因为你可以选择了所有的功能。

例如，有一个用于面部检测的网络。高级节点代表典型的脸部形状，每个人的特征在人与人之间可能有所不同：鼻子宽而窄，耳朵偏高或偏低，肤色，…等等。

如果在这一层中有成千上万的要素，我们将得到诸如以下的要素：“右眉的中心的部分稍微倾斜了”。

当然，有了这些功能，你就可以高精度地重建任何人脸，但这不是我们想要的。通常，一些稍微不太复杂的功能（通常更易于解释）会更有用。