На очень много и по разному , в одной книжке не опишешь да и не все известно.
Вобщем:
- при отсутсвии скрытого слоя сеть это персептрон - а у него есть куча ограничении и задачь с которыми он В ПРИНЦИПЕ не может справится (XOR). далее разницы не такие значительные.
- Количестпо нейронов и слоев влияет на темпы обучения - чем больше тем медленней (хотя и точней) а так же влияет на шансы overfitting
- Максимальное значение входа не влияет но влияет статистическое распределение возможных значений входа. Чем неравномернее значения входа тем сложнее сети. Поэтому часто необходимо превратить изначальный ввод во что нибудь более удобное для сети.
- Нейронная сеть ищет локальные а не глобольные решения - и какое из решений она найдет зависит от значений весов и порядку ввода примеров. Поэтому необходимо перезапускать рандомизируя и то и другое
- Диапазон значений весов должен соответствовать вводу-выводу иначе обучение займет дольше.
И.т.д