在這項工作中，我們在傳統神經網絡的寬度與深度基礎上，增加了一個新的維度——高度，通過在同一層的神經元之間建立連接來實現。這些連接被稱為層內連接，它們形成了層次結構，提高了網絡的逼近能力（表達能力），同時不會增加參數數量。我們證明，這種三維架構（寬度 × 深度 × 高度）在理論和實驗上均顯著優于傳統的二維網絡（寬度 × 深度）。首先，在神經元數量相同的情況下，三維ReLU網絡能夠生成比二維網絡多得多的分段線性函數表示形式，具體來說，其復雜度為 O((2^H ? 1)W × K × H)。其次，從逼近能力角度來看，三維網絡在逼近多項式時能夠達到更高的精度，并且誤差呈指數級減少，相比之下，二維網絡的復雜度為 O(2^W × K ? 2W × K)。最后，通過對五個合成數據集、15個表格數據集和3個圖像基準測試的數值實驗驗證，三維網絡在回歸和分類任務上表現出色。