神经网络深度与表征能力的实证研究：1800个模型的对照实验揭示参数才是关键

本研究通过1800个Fashion-MNIST模型的对照实验，核心发现为参数数量而非深度才是决定神经网络表征能力的关键因素。研究首次分离深度效应与参数规模效应，为深度学习模型设计提供重要参考。

深度学习领域长期争议：增加神经网络深度是否提升表征能力？过往研究常混淆深度与参数数量导致结论偏差。本研究假设深度本身不能增加表征能力，参数才是关键，并通过大规模对照实验验证。

采用双机制对照设计隔离变量：

• 等参机制：固定参数总数，仅改变深度（2/4/6/8/12/16层），测试纯粹深度效应；
• 固定宽度机制：每层神经元数量固定，深度增加时参数自然增长，模拟真实扩展行为。 实验规模：1800个模型（每种配置10个种子），覆盖数据损坏级别0.0/0.6/1.0，等参与固定宽度机制各900次运行，早停策略中位数约35个epoch，数据完整可靠。

等参机制结果：参数固定时，准确率维持67-70%（平坦趋势），Spearman相关系数r=-0.08（不显著），Kruskal-Wallis检验p=0.118 → 深度本身无显著影响； 固定宽度机制结果：参数随深度增长时，准确率提升+5.7%，Spearman相关系数r=+0.64（高度显著）→ 深度效应是参数增长的交互结果； 关键洞察：深度是参数的容器而非能力来源，参数过度分散（如等参机制下）会降低每层表征能力，depth_per_param指标揭示此瓶颈。

因数据不满足正态性与方差齐性，采用非参数统计：Kruskal-Wallis检验（组间差异）、Dunn事后检验（Holm校正）、等级二列相关（效应量）； 模型比较：OLS（深度系数负）、Lasso（剔除深度变量）、决策树（深度重要性≈0）、随机森林+SHAP（参数占主导）→ 一致表明参数是预测性能主导因素。

对深度学习实践的指导：

1. 优先选择参数充足的浅层模型，而非参数匮乏的深度网络；
2. 解读深度扩展定律需关注参数效率而非单纯深度；
3. 将depth_per_param作为模型设计诊断指标，避免参数过度分散；
4. 充分微调的小型模型可能优于参数不足的大型深度网络。

技术栈：Python生态（NumPy/Pandas数据处理、Scikit-learn建模、SciPy统计、Matplotlib/Seaborn可视化、SHAP可解释性）； 开源资源：预处理数据集、分机制实验数据、训练好的模型、统计检验报告、特征重要性分析。

本研究通过1800个模型的大规模对照实验，以严谨统计证据挑战"越深越好"的直觉，强调参数规模与分布效率的重要性。对研究者与工程师的启示：与其盲目增加层数，不如确保每层有充足参数发挥表征潜力。