當層數加大時， Neural Network 越可以將低層的特徵，以有效率的方式結合，讓整個模型能夠學習複雜的問題。
以人臉辨識為例，低層次的部分，會學習到如線條邊緣等特徵，將這些特徵組合會形成單一眼睛、鼻子等輪廓，再將這些特徵組合，即可以合成一張臉。
另一個例子是，若要學習 x1 XOR x2 XOR x3 … XOR xn 的函數。很明顯下圖左邊是更有效率的表示方式。
Parameters： W 與 b 。
Hyperparameters： Neural Network 的層數、每層的節點數量、 Activation Function 、 Learning Rate ……等，需要人工設定的部分。
Note on HW
使用五層的神經網路，將先前辨識貓的模型準確度從 70% 提升到 80% 。
但對於如上圖這些例子，仍是辨識錯誤的樣本。
作業中歸納幾個原因：
* 貓的身體位置比較不一樣
* 貓和背景顏色很像
* 不常見的貓顏色與品種
* 角度、亮度、貓在圖中很大或很小
