当隐藏层变大时，神经网络停止工作

是指在神经网络中增加隐藏层的节点数或层数过多，导致网络无法正常工作的现象。

隐藏层是神经网络中的一层，其作用是将输入数据映射到更高维度的特征空间，从而更好地进行数据分类或预测。然而，当隐藏层变得过大时，会出现以下问题：

1. 梯度消失或梯度爆炸：在反向传播算法中，梯度用于更新神经网络的权重。当隐藏层变大时，梯度在传播过程中可能会指数级地减小或增大，导致权重更新不稳定，甚至无法收敛到合理的数值范围。
2. 过拟合：隐藏层增加会增加神经网络的参数数量，使得网络更容易过拟合训练数据。过拟合指的是网络在训练数据上表现很好，但在未见过的数据上表现较差。过拟合会导致网络失去泛化能力，无法有效应对真实场景中的数据。

针对以上问题，可以采取以下方法：

1. 使用正则化技术：如L1正则化、L2正则化等，通过对权重进行惩罚，降低过拟合的风险。
2. 适当调整隐藏层的大小：根据具体任务和数据集的规模，选择适当的隐藏层大小。通常可以通过交叉验证等方法进行选择。
3. 使用Dropout技术：Dropout是一种正则化技术，可以在训练过程中随机丢弃一部分隐藏层节点，减少过拟合的风险。
4. 增加更多的训练数据：增加训练数据可以有效减少过拟合的风险，提高网络的泛化能力。

关于神经网络和隐藏层的更详细信息，可以参考腾讯云的人工智能基础知识文档： 链接地址：https://cloud.tencent.com/document/product/681/14544

腾讯云提供了丰富的人工智能和云计算相关产品，包括云服务器、云数据库、人工智能平台等。具体推荐的产品与隐藏层大小问题关联较小，可以根据实际需求和场景进行选择。