我正在研究深度神经网络，并对以下问题感到好奇：
一般来说，为了达到最佳准确性，每层的最佳层数和神经元数是多少？
根据这张图片：
最佳数量是否应该等于特征大小，以便每个特征对其他特征集的影响都被考虑在内？
此外，如果我们追求的是最佳准确性和效率，答案会有所不同吗？
谢谢，任何见解都将不胜感激！
编辑：
这些回答很有信息量。我仍然觉得它们没有具体回答我问题的第一部分。为了澄清：是否存在一个最大数量的神经元和层，当应用时会与数据同样细致，因此增加更多的神经元或层将是多余的？我假设对于一个3特征的数据集，无限的层在某个点上将变得不必要。再次感谢所有阅读和回复的人！
回答：
你的问题没有普遍的答案。这些量被称为超参数，它们的选择是一个开放的问题，也是机器学习艺术的重要组成部分。关于这个话题的讨论可以在Quora上找到。
要深入了解神经网络及其内部工作原理，请参阅改进神经网络的学习方式。
为了获得选择这些超参数和构建网络架构的直觉，明智的做法是研究已知的成功模型：
LeNet：卷积网络的首次成功应用是由Yann LeCun在1990年代开发的。其中，最著名的就是用于读取邮政编码、数字等的LeNet架构。
AlexNet：首个在计算机视觉中普及卷积网络的工作
GoogleNet：ILSVRC 2014的获胜者
研究它们是如何针对所解决问题的特定情况进行设计的。
