- 通过深层神经网络首先会选取一些边缘信息（卷积中的核只有3X3 5X5非常小），总之是一些边角之类的低层信息(边缘信息是为了将要观察的事物与周围环境分割开来)
- 随着网络深度的增加，卷积核的有效感受野越来越大，也就意味着高层的卷积核能够覆盖更大尺度上的特征
例如CNN
CNN就是尺度上不断降维，特征上不断升维。卷积核尺寸不变，但是卷积的对象不断池化，也就相当于卷积核的尺寸扩大了。
尺度上越降维，大尺度上的特征数量就越多，但是也越稀疏。
拿汉字举例：小尺度上，无非横竖撇捺几个特征；中等尺度上，各种偏旁部首几百种；大尺度上，就是几千上万个汉字了。
不断地使用某个尺寸的特征去组合成下一个更大尺度的更多的特征，
参数训练减少
很多数学函数用深网络比浅网络要容易学习得多，比如很多个数异或，用深网络，学习到一棵树，计算复杂度为$ log_N $ 。用单隐层学习的话，需要 (2^{n-1})个隐藏单元。
局部特征关联