1. 深度学习中网络越深越好么？
理论上说是这样的，因为网络越深，参数也越多，拟合能力也越强（但实际情况是，网络很深的时候，不容易训练，使得表现能力可能并不好）。
2. 那么，不同什么深度的网络，在参数差不多大小的情况下，深的网络会比浅的网络表现能力好么？即深度较深的网络比较“瘦”，深度较浅的网络比较“胖”。
一般来说，相同参数下深度较深的网络表现能力也比深度较浅的网络要好。
3. 为什么深度较深的网络的表现能力要比深度较浅的网络要好？
1） 深层网络更加结构化，很多子结构都可以共用
每一层的神经元其实就是一个分类器，第一层的神经元是最基础的分类器，第二层神经元是比较复杂的分类器，它将第一层的output当做它的input，将第一层当做模块，第三层同理，将第二层当做一个模块。模块化的好处是让模型变得简单，有些模块可以共用，那么就可以减少参数。
2） 理论上来说，只包含一层隐含层的神经网络也可以拟合出任何函数，只要参数够多。
但是，深层的网络，我们可以使用更少的参数，更简单的方法，就可以实现相同的功能。与数字电路里的门电路类似，虽然二级门电路可以表示任何逻辑状态，但是，使用多级门电路可以是实现方法更简单，使用逻辑元器件更少。
4. 相关的一些资料
- • Do Deep Nets Really Need To Be Deep? (by Rich Caruana)
• http://research.microsoft.com/apps/video/default.aspx?id=
232373&r=1
• Deep Learning: Theoretical Motivations (Yoshua Bengio)
• http://videolectures.net/deeplearning2015_bengio_the
oretical_motivations/
• Connections between physics and deep learning
• https://www.youtube.com/watch?v=5MdSE-N0bxs
• Why Deep Learning Works: Perspectives from Theoretical
Chemistry
• https://www.youtube.com/watch?v=kIbKHIPbxiU
Big data与deep learning的联系与区别
如果我们有足够多的数据，包含了世界上所以的数据，那么其实就不需要深度学习/机器学习算法了，我们只需要查表就可以了，即给定件事物，我们只需要从数据库中查找，就可以找出相关资料。但是实际上我们并没有足够多的数据，因此，我们需要深度学习/机器学习，需要从已知的、仅有的数据中学习一些共性，那么新的事物来了之后，我们就可以使用算法推测出该事物的一些情况。
参考：
【机器学习】李宏毅机器学习2017（台湾大学）（国语）(12)
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html
