将神经网络加深（增加更多的隐藏层）有几个主要原因：

1. 提升模型表达能力：深度网络可以表示更为复杂的函数关系。通过增加隐藏层，网络可以学习到更加抽象和复杂的特征，从而提升了模型的表达能力。

2. 解决特定问题：某些复杂的任务需要多层次的抽象和推理能力。例如，对于图像识别任务，低层次的特征可能是边缘和纹理，而高层次的特征可能是物体的部件或整体。

3. 减少参数量：深层网络可以用更少的参数来表示复杂的函数，相对于一个相同规模的单层网络。这意味着深度网络可能会更快地收敛，同时也减小了过拟合的风险。

4. 特征的层次性表示：深度网络可以学习到特征的层次性表示，每一层的输出都可以看作是前一层的输入的一种抽象。

5. 迁移学习：深度网络中的多层次特征表示使得迁移学习变得更为容易。可以通过使用预训练的深度网络模型，在新的任务上进行微调。

6. 提高梯度传播的稳定性：深度网络使用了很多非线性激活函数，这有助于打破线性关系，从而减少了梯度消失（gradient vanishing）的问题，使得训练更为稳定。

然而，增加网络深度也会引入一些挑战，比如梯度消失和梯度爆炸等问题，需要采取一些技术手段来解决，如良好的权重初始化、批量归一化等。

总的来说，深度网络的加深可以使得网络学习到更加复杂的特征和模式，从而提高了模型的表现能力，但也需要仔细地进行设计和训练以克服深度学习中可能遇到的问题。