多层神经网络
为什么 4 个点的分类问题，单层永远做不到？
而加一层隐藏层之后，竟然可以拟合任何形状？
1 一个"看似简单"的分类问题
我们有 4 个点，分别属于两个类别。任务：画一条分界线，把红色和蓝色分开。
| 点 | x₁ | x₂ | 类别 |
|---|---|---|---|
| A | 0 | 0 | 红 (0) |
| B | 1 | 0 | 蓝 (1) |
| C | 0 | 1 | 蓝 (1) |
| D | 1 | 1 | 红 (0) |
💡 规律：两个输入相同（都是 0 或都是 1）时是红色，两个输入不同时是蓝色。这就是经典的 XOR（异或）问题——人工智能史上最著名的例子之一，1969 年 Minsky 用它让整个神经网络研究停滞了十年。
2 试试看：能用一条直线分开吗？
用鼠标拖动两个蓝色圆圈（P1 和 P2），它们决定了这条分界线的位置和角度。看看最多能分对几个点：
红色区 (类别 0)
蓝色区 (类别 1)
拖动圆圈改变分界线角度和位置
⚠️ 结论：无论你怎么画，最多只能分对 3 个。这不是"你画得不好"，而是数学上根本不可能——因为一条直线把平面分成两个半平面，但 XOR 的两类点不能被任何半平面分开。
这是"单层感知机"的根本局限：只能解决线性可分的问题。
这是"单层感知机"的根本局限：只能解决线性可分的问题。
3 突破：加一层"隐藏层"
既然一条直线不够，那就用两条直线！具体做法是——在输入层和输出层之间，加入一个隐藏层：
模型参数（课件给定值）
第一层权重 & 偏置
w₁₁ = −5, w₁₂ = 5
w₂₁ = −5, w₂₂ = 5
b₁ = 8, b₂ = −3
w₂₁ = −5, w₂₂ = 5
b₁ = 8, b₂ = −3
第二层权重 & 偏置
w₁ₖ = 5, w₂ₖ = 5
bₖ = −8
bₖ = −8
关键直觉：隐藏层的每个神经元各画一条直线，它们的组合就可以形成复杂的曲线边界。两条直线+一个"组合规则"，恰好能切出 XOR 所需的形状。
4 一步步算给你看
选一个点，然后用 "下一步" 按钮一步一步看数据如何从输入流到输出：
请先点击上面任意一个点，开始演算
✅ 观察：四个点全部被正确分类！其中 A、D（对角线上的点）激活了隐藏层的不同组合，所以输出层最终给出"红色"；B、C 激活了两个隐藏神经元都强烈响应，输出层加起来超过阈值 → "蓝色"。
5 看看整个平面：网络画出了什么？
不只是 4 个点——整个平面上的每一个位置，网络都能给出一个"是红还是蓝"的预测。下面是网络在整个 (x₁, x₂) 空间上的决策边界：
这就是隐藏层的魔力：网络在平面上画出了一条非线性的弯曲边界，刚好把 4 个训练点分开。注意边界不是一条直线，而是一个"S 形"的曲面投影——这是激活函数 + 两层组合带来的非线性能力。
6 进一步：多层网络可以拟合"任何"函数
XOR 只是开始。当隐藏层越多、神经元越多，网络能拟合的决策边界就越复杂——理论上可以逼近任何连续函数（这就是著名的通用近似定理 Universal Approximation Theorem）。
① 单个神经元
只能画一条直线。
适合线性可分的简单问题。
适合线性可分的简单问题。
② 2 个隐藏神经元（我们的例子）
两条线组合 → 弯曲边界。
能解决 XOR 这种经典难题。
能解决 XOR 这种经典难题。
③ 更多神经元
可以画出圆形、环形等复杂边界。
适合更复杂的分类问题。
适合更复杂的分类问题。
④ 深层多神经元
可以拟合任意形状的边界。
这就是深度学习的力量源泉。
这就是深度学习的力量源泉。
💡 通用近似定理（简版）：一个包含至少一层隐藏层、神经元足够多的神经网络，可以在任意精度下逼近任何连续函数。
但注意："能做到"不等于"容易做到"——网络层数、神经元数量、训练方法都会影响实际效果。而且强大的拟合能力也带来了可解释性差（"黑箱"） 和 过拟合等新问题。
但注意："能做到"不等于"容易做到"——网络层数、神经元数量、训练方法都会影响实际效果。而且强大的拟合能力也带来了可解释性差（"黑箱"） 和 过拟合等新问题。
🎓 从单层到多层，关键转折
单层 = 一条线
只能处理线性可分问题，XOR 这样的"交叉"问题就没辙
隐藏层 = 多条线
每个隐藏神经元画一条线，组合起来形成非线性边界
多层 = 任意形状
足够多神经元 + 足够多层 → 可以拟合任何连续函数
深度学习的革命，本质上就是把网络从"一层"变成了"很多层"——每层都在前一层的基础上学习更抽象的特征，最终让网络拥有了近乎"万能"的表达能力。