我有一些单层神经网络的代码：

class network {var outputs;var weights;var biases;feedforward(inputs) {}outputFunction(number) {}}

输出函数是一个sigmoid函数（因此返回一个介于0和1之间的数字）。输入是一个由1和0组成的数组。

我通过添加outputs2、weights2、biases2来添加了一个隐藏层，然后做了以下操作：

feedforward2(inputs) {    use weights2, biases2, etc.}feedforwad(inputs) {   inputs = feedforward2(inputs)   ....}

我认为输出节点的输入现在是我的隐藏层的输出，所以它至少应该具有相似的性能。然而，在再次训练网络后，性能急剧下降。有什么想法吗？训练目前还没有反向传播到隐藏层，它只是更新输出层的权重，而隐藏层的权重始终保持不变。

回答：

如果隐藏层的权重是随机且固定的，那么它们所做的只是扭曲信号。

训练多层网络是困难的。绝大多数网络只有一个隐藏层，卷积网络和一些关于深度信念网络的最新工作除外。