通用逼近定理（Universal Approximation Theorem，简称 UA Theorem）是神经网络与函数逼近理论中的一个基本结果。它表明，具有足够隐藏层的前馈神经网络可以逼近任何连续函数。
该定理最早由 George Cybenko 在 1989 年提出，之后经过多次扩展。其核心思想是，尽管神经网络的结构可能复杂，但只要网络的隐藏层足够多，就能以任意精度逼近任何连续函数。
UA Theorem 的重要性在于它为深度学习的成功提供了理论依据，表明神经网络是一种强大的函数逼近工具。这一发现推动了神经网络的广泛应用，特别是在图像识别、自然语言处理等领域。
该定理通常应用于前馈神经网络，特别是单隐层的网络。通过适当的激活函数（如 sigmoid 或 ReLU），网络能够捕捉输入与输出之间的复杂关系。
随着深度学习技术的进步，UA Theorem 的应用将进一步扩展到更复杂的模型和算法中，特别是生成对抗网络（GANs）和强化学习框架。
尽管该定理的理论适用性广泛，但在实际应用中，网络的训练过程可能面临过拟合、收敛速度慢等问题。因此，理解 UA Theorem 对于从事机器学习和深度学习研究的人员至关重要，特别是在设计和优化神经网络时。
