自动确定要在keras二维层中使用的最佳过滤器大小

model.add（Conv2D（32，（5,5），
“相同”，
数据\u格式='channels\u last'，
输入形状=输入形状）
添加（BatchNormalization（））
添加（激活（'relu'））
model.add（Conv2D（32，（3,3）））
添加（BatchNormalization（））
添加（激活（'relu'））
add（MaxPooling2D（池大小=（2,2）））
模型。添加（辍学率（0.25））
add（Conv2D（64，（3,3），padding='same'））
添加（BatchNormalization（））
添加（激活（'relu'））
model.add（Conv2D（64，（3,3）））
添加（激活（'relu'））
add（MaxPooling2D（池大小=（2,2）））
模型。添加（辍学率（0.25））
model.add（展平（））
模型添加（密集（512））
添加（激活（'relu'））
模型。添加（辍学率（0.25））
添加模型（密集（num_类））
添加（激活（'softmax'））

这就是我当前的keras模型的样子，它完全是从我那里借鉴来的

我的问题分为两部分，
1.如何自动确定是否使用

model.add（Conv2D（32，（3,3））

或

model.add（Conv2D（32，（5,5））

或

model.add（Conv2D（32，（4,4））

？
2.除了模型的第一行之外，如果我将conv2D（64，（3,3））模型的其余部分改为（5,5），我会得到`负维，通过从3中减去5得到）。为什么呢

我看了这两个问题：和
根据他们的说法，实验是找到答案的唯一方法，但我想知道是否有一种自动的方法可以做到这一点。 因为有很多参数，比如

value of dropout

，

kernel_size（）

，然后

densite（）

的值应该是512/356还是多少才是最好的

附言： 使用不同的参数运行不同的模型在计算上越来越昂贵，而比较所有这些结果则成为另一个痛苦的过程。 我的笔记本电脑有一个2GB nvidia图形卡，具有5.0计算能力

内核维度是可以使用多种策略自动优化的超参数

卷积层的输出高度/宽度遵循方程

size=（（输入大小-内核大小）/stride）+1

。因此，对于太小的图像，您使用了太多的卷积层。在某一点上，

size

将为负数，并且您不能有负数形状的输出

---

非常感谢。那么，我是否应该将conv2d层的其余部分保留为（3,3）？关于“model.add（Dense（512））`在此处选择最佳值”是否有任何规则？如果我更改了model.add（MaxPooling2D（pool_size=（2,2）））到（3,3），它会再次抱怨。我该怎么解决这个问题？谢谢这可能会有帮助。您可能对

Inception Network

体系结构感兴趣，因为它在同一层中组合了多个大小的过滤器。