本文研究了使用SGD训练任意宽度的两层神经网络，证明了第一层权重将收敛于真实模型的主子空间，建立了一个独立于NN宽度的误差边界，并证明了使用SGD训练的ReLU NNs可以通过恢复主方向来学习单指标目标，其样本复杂度与d成线性关系。