UC伯克利发现「没有免费午餐定理」加强版：每个神经网络，都是一个高维向量(11)

图 6 中的图表展示了带有四个隐藏层、激活函数为 ReLU 的网络学习函数

的泛化性能，其中训练数据点的个数为 n。理论预测结果与实验结果完美契合。
（A-F）经过完整 batch 的梯度下降训练后，模型学到的数据插值图。随着 n 增大，模型学到的函数

越来越接近真实函数。本文提出的理论正确地预测出：k=2 时学习的速率比 k=7 时更快，这是因为 k=2 时的特征值更大。
（G,J）