Neural network 多层感知器反向传播

我试图找出一个问题，问为什么如果在输入和输出之间添加不必要的附加层，MLP网络中的训练时间会显著增加。（这不是一个硬件问题）

---

我想这和反向传播过程有关。我知道权重更新只适用于导致错误的神经元。。这仅仅是因为有更多的神经元，所以有更多的权重更新，这需要更长的时间吗？但我不明白为什么这会导致“戏剧性”的增长。任何帮助都将不胜感激。

重量更新不适用于神经元，它们适用于神经元之间的连接。如果你有两个完全连接的层，分别是m和n个单元，那么你就有m×n个连接/权重/更新要执行。此外，“权重更新只适用于导致错误的神经元”这一说法并不完全正确。实际上，权重更新的应用与连接导致错误的程度成比例。因此，理论上是的，如果一个连接没有对错误造成太大的影响，那么它也不应该更新太多。但是为了做到这一点，你仍然需要计算所有的权重，以知道每个权重需要更新多少。这意味着，无论连接（或权重）对错误值的影响有多大，它仍将被更新，尽管更新量可以忽略不计。