我对神经网络的工作原理有一个概述，并提出了一些相互关联的问题，但我无法找到答案。
考虑单隐藏层前馈神经网络：如果每个隐藏层神经元的功能相同
a1 = relu (w1x1+w2x2), a2=relu(w3x1+w4x2), ...
我们如何让模型学习不同的权重值？
我确实不明白神经元之间手动建立连接的意义。如图所示手动建立神经元之间的连接，这样我们就可以定义功能的可能功能（即，房屋大小和卧室数量加在一起可能代表房屋可能容纳的家庭规模）。但是完全连接的网络对我来说没有意义。
我明白一个完全连接的神经网络应该以某种方式自动定义，函数的哪些功能是有意义的，但它是如何做到的呢？
无法回答这个问题，我也不明白为什么要增加神经元的数量来提高模型预测的准确性？
我们如何让模型学习不同的权重值？
通过在训练开始之前初始化参数。如果是完全连接的神经网络，否则我们将对每个参数进行相同的更新步骤 - 这就是您的困惑的来源。随机初始化或更复杂的初始化（例如 Glorot）解决了这个问题。
为什么增加神经元的数量会提高模型预测的准确性？
这只是部分正确，增加神经元的数量应该会提高您的训练准确性（对于您的验证和测试性能而言，这是一个不同的游戏）。通过添加单元，您的模型能够存储额外信息或将异常值合并到您的网络中，从而提高预测的准确性。考虑一个二维问题（预测每平方米的房屋奖品超过某些房产的平方米）。使用两个参数可以拟合一条线，使用三个参数可以拟合一条曲线，依此类推，参数越多，曲线越复杂，并且可以拟合每个训练点。
深入了解的下一步- Karpathy在斯坦福大学的计算机视觉讲座。
