如果限制一个神经网络的总神经元数量(不考虑输入层)为N+1,输入层大小为M,输出层大小为1,隐藏层的层数为L,每个隐藏层的神经元数量 为N/L，试分析参数数量和隐藏层层数L的关系.

对于每一个隐藏层，其包含N/L个神经元。其中，每个神经元都有M个输入和1个输出，因此每个神经元的参数数量为M+1。那么每个隐藏层的参数数量就是 (M+1) * N/L 。同时，每个神经元输出到下一层的神经元，因此每个隐藏层的神经元数量也就是下一层的输入层大小。因此，隐藏层的层数越多，参数数量会增加，但是每一层的神经元数量会减少。

总参数数量为输入层到第一个隐藏层的参数数量加上每个隐藏层到下一层的参数数量再加上输出层的参数数量。因此，总参数数量为：

(M+1) * (N/L) + L * (N/L)^2 + (N/L + 1)

其中，(M+1) * (N/L)为输入层到第一个隐藏层的参数数量，L * (N/L)^2为每个隐藏层到下一层的参数数量，(N/L + 1)为输出层的参数数量。

因此，隐藏层层数L的增加会导致参数数量的增加，但是每一层神经元数量的减少会降低参数数量的增长速度。