隐藏层

一句话版本#

夹在输入层和输出层之间、从外部看不到输出值的神经元层，就是隐藏层。

为什么叫"隐藏"#

一个神经网络有三类层：

• 输入层：接收原始数据（如图片像素），值由外部提供
• 输出层：给出最终结果（如分类概率），值对外部可见
• 隐藏层：所有中间层，值既不由外部提供，也不直接对外部展示

"隐藏"不是说它神秘，而是说它的输出只在网络内部流通——你给网络一张图片，拿到一个分类结果，中间经过了什么你看不到。

具体例子#

在一个 3→4→2 的网络中：

• 输入层：3 个节点（接收 3 维输入向量）
• 隐藏层：4 个节点（中间加工，从外部看不到）
• 输出层：2 个节点（输出 2 维结果向量）

隐藏层的 4 个神经元各自学到不同的特征——有的可能对某种输入模式敏感，有的对另一种敏感。

"深度"的来源#

一个网络可以有多个隐藏层。层数越多，网络越"深"：

• 1 个隐藏层 → 浅层网络
• 多个隐藏层 → 深层网络 → 深度学习

每一层提取不同层次的特征：浅层可能学到简单的边缘和纹理，深层组合出更复杂的模式。

代码中的隐藏层#

在 PyTorch 中，nn.Linear(3, 4) 就定义了一个从 3 维到 4 维的全连接层。如果它既不是第一层也不是最后一层，它就是一个隐藏层。