我是ML的新手，正在http://neuralnetworksanddeeplearning.com上阅读在线图书。
在first chapter中，作者使用Cheese Festival示例描述了一个感知器。基本上，他举例说明了一个感知器试图决定是否在即将到来的周末去参加奶酪节的例子。感知器具有3个输入(天气因素，社会因素和交通因素)。尽管我完全理解了作者100％的单个感知器的“奶酪节”示例，但我不理解他得出的下一个结论(看似非sequitur)，他在该结论中将示例扩展为包含多个组织成的感知器2层:
我不了解的是:为什么第二层的感知器能够比第一层的感知器“在更复杂，更抽象的层次上做出决定”？
有人可以提供一个示例，也许使用作者已经开始的“奶酪节”示例吗？第2层中的感知器可以做出更复杂/抽象的决策的例子是什么？
例子
图表的顶部(上方)显示了作者的Cheese Festival示例背后的决策感知器。单独的感知器需要3个输入/因素:天气，社会和交通因素。根据这些信息，可以计算/确定是否应该参加奶酪节。
上图的底部(即水平线下方)完美地说明了我的心理困扰所在。在这里，我们在第1层中有3个神经元馈入单个第2层节点:
这3个感知器的输出(是/否决定)将作为输入馈送到孤独的第2层节点。 在这里给出我的示例，第2层节点决策的示例是什么，它说明了“功能层次”这一概念和/或作者的说法，即更深的层可以做出更复杂/抽象的决策？
最佳答案
多层网络的基本思想是，每一层都增加了一定数量的抽象。第二层本身具有与第一层相同的结构，因此它本身无法真正做出更复杂的决策。但是它可以建立在第一层的抽象(输出)的基础上。
我想补充一点，此声明相当理想。在实践中，通常很难理解内层到底是做什么的。
在您的示例中，第二层节点做出的决定可能是“我应该参加节日吗？”
关于machine-learning - 与较浅/较早层中的神经元相比，较深层中的神经元如何能够做出更复杂的决策？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/36327286/