Keras 隐藏层中的大量神经元会产生更好的结果，为什么？

你能解释一下为什么将一个隐藏层中的神经元数量增加20倍（1000个神经元）会给我带来更好的结果（在测试数据集上约为9%），而只有34个神经元

训练形状：（8589,5,11）（数据集的75%），测试2858个样本（数据集的25%）

我的架构如下：

Bidirectional LSTM of size 50 neurons
Dense of size 1000 neurons (activation=sigmoid)
Dense of size 1 neuron (activation=sigmoid)

我在这本书中得到了更糟糕的结果（根据这本书，理论上应该是正确的）：

---

将神经元数量从50（输入层）减少到34（隐藏层）会导致拟合不足

当隐藏层中的神经元太少，无法充分检测复杂数据集中的信号时，就会出现欠拟合

关于这个话题有一篇很棒的文章

---

我还想推荐这本书，供进一步阅读“人类人工智能，第3卷：深度学习和神经网络”ISBN:1505714346

它可重复吗？否则：luck@ThomasWeller当我再次运行它时，得到了相同的结果。您寻求什么样的解释？为什么你认为这是必要的？为什么你展示的第二个架构应该“理论上”更好（在一个因缺乏坚实的理论基础而臭名昭著的领域）？根据哪本书？@desertnaut我猜出来了伙计们。谢谢你的评论。问题是我正在将神经元的数量从50个减少到34个===拟合不足。当隐藏层中的神经元太少，无法充分检测复杂数据集中的信号时，就会出现欠拟合。顺便说一句，这本书；）“人类人工智能，第3卷：深度学习和神经网络”ISBN:1505714346

Bidirectional LSTM of size 50 neurons
Dense of size 34 neurons (activation=sigmoid)
Dense of size 1 neuron (activation=sigmoid)