您可以将神经网络（无论多么深）视为理想函数的近似值。可用的层/节点越多，神经网络就越能成功逼近理想函数。有一个定理说明了这一点。

假设您必须识别图片中的人脸：至少有一个（理想的和纯假设的）数学函数能够完成这项工作。比，神经网络可以或多或少精确地逼近该数学函数。

现在：如果你拥有世界上所有可能存在的图片的集合（所谓的完整集），你可以选择任何数量的层和节点，无论配置如何，你永远不会陷入过拟合的情况。相反，可用的层/节点越多，您的网络性能就越好。但是在这个有限的现实世界中，你只能得到那个主要集合的一小部分。

因此，您必须在给定配置的情况下选择最佳的层数和节点数，以避免陷入过度拟合的情况。您拥有的数据样本越多，您可以将更多的层和节点添加到配置中，从而获得更好的性能，即神经网络可以更好地逼近上面介绍的（理想和纯假设的）数学函数。