本文研究了多项式激活的深度神经网络，提出“维度”作为其表现力的度量，并探讨了不同激活函数对训练复杂性的影响。研究发现，某些网络在特定条件下无法近似任意函数，并引入了新的神经网络模型和算法，分析了其优化过程中的代数复杂度。

本文探讨了深度神经网络的代数复杂度及其优化中的复杂临界点，发现其数量超过全连接线性网络。研究结合奇异黎曼几何，提出了输入点等价类的方法，促进新数据生成并揭示分类器误判原因。同时，利用代数几何工具分析神经多样性及其与学习度的关系，强调网络表达能力与泛化能力的联系。