Deep learning CNN中卷积层数和滤波器的选择

我试图提高CNN模型的速度，我使用的方法是去除架构中的一些卷积层，模型的精度与我的数据集几乎相同

我想知道在训练模型之前，是否有某种方法可以分析数据集有多少个卷积层足够？还有没有其他方法来分析模型中有多少过滤器是足够的？

---

让我们先从更简单的部分开始。知道输入和输出层的数量及其神经元的数量是最简单的部分。每个网络都有一个输入层和一个输出层。输入层中的神经元数量等于正在处理的数据中的输入变量数量。输出层中的神经元数量等于与每个输入相关联的输出数量。 但挑战在于知道隐藏层的数量及其神经元

答案是，您无法解析地计算人工神经网络中用于解决特定现实世界预测建模问题的每层的层数或节点数。 层的数量和每个层中的节点数量是必须指定和学习的模型超参数。 您必须使用可靠的测试工具和受控实验来发现答案。不管您可能遇到什么样的启发，所有的答案都会回到需要仔细试验的问题上来，看看什么最适合您的特定数据集

例如，过滤器大小是在训练网络之前应该指定的超参数之一。
对于图像识别问题，如果您认为网络需要大量像素才能识别对象，则将使用大型过滤器（如11x11或9x9）。如果您认为区分对象的是一些小特征和局部特征，则应使用小过滤器（3x3或5x5）。 这些是一些提示，但没有任何规则

有很多技巧可以提高深度学习模型的准确性。请参考此链接

希望这对您有所帮助。

。