原则
隐藏层让模型学到中间表征
隐藏层的真正意义，不是层数变多，而是允许模型把原始输入重组为更有用的中间表示。
原则释读
单层模型往往只能画出简单边界，多一层隐藏层后，网络才开始拥有“先加工一下再判断”的能力。它像一块中间翻译板，把原始信号变成更适合后续输出层处理的结构。
为什么重要
理解隐藏层，等于理解神经网络为什么不只是高级版线性回归。
怎么用到自己的学习/工程系统
看网络结构时，先问每一层可能在抽取什么中间特征。
行动规则
- 隐藏层不是装饰。
- 多层意味着更强的表征变换能力。
- 先理解中间表示，再谈复杂模型。
常见误区
- 把隐藏层当成越多越好。
- 只看输出，不思考中间层在做什么。
辨析题
隐藏层为什么是神经网络区别于简单分类器的关键一步？
