Machine learning 在一行中添加相同的CONV2d图层与继续添加过滤器大小增加的图层相比是否有好处

在一行中添加相同的图层是否有如下好处：

model.add(layers.Conv2D(32, (3, 3), activation='relu'))
model.add(layers.Conv2D(32, (3, 3), activation='relu'))
model.add(layers.Conv2D(32, (3, 3), activation='relu'))

model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.Conv2D(32, (3, 3), activation='relu'))

model.add(layers.Conv2D(64, (3, 3), activation='relu'))

与继续增加过滤器大小不同，如下所示：

model.add(layers.Conv2D(32, (3, 3), activation='relu'))
model.add(layers.Conv2D(32, (3, 3), activation='relu'))
model.add(layers.Conv2D(32, (3, 3), activation='relu'))

model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.Conv2D(32, (3, 3), activation='relu'))

model.add(layers.Conv2D(64, (3, 3), activation='relu'))

添加相同的层是否常见，因为继续增加过滤器的数量成本更高

---

当我在一行中使用相同的图层时，我获得了更高的准确性，但当我浏览示例和书籍时，我很少遇到添加相同图层的作者，我只是好奇为什么。这个问题很好，但答案取决于具体情况

首先，在应用卷积时，了解图像的尺寸非常重要。有几篇论文证明，它们在早期层中没有使用大量的过滤器，因为早期层捕获边缘/颜色/形状或类似信息。因此，在第一层中使用128个滤波器而不是32个滤波器可能不会很好地提高总体精度

由于前面的观察结果，随着神经网络的加深，滤波器的数量增加，因为可以捕获更多特定于任务的信息。大多数成熟的图像分类体系结构增加了卷积层中滤波器数量的两倍

这在很大程度上取决于数据集，这就是为什么不能做出一般性陈述的原因，尽管前两个观察结果已经通过经验和统计证明

您可以开始玩卷积，添加/删除层，如果添加了Dropout或BatchNormalization，则可以看到改进（或不改进），但我建议您检查已经建立的网络

不能保证体系结构X或Y工作得更好。现在的趋势是使用具有跳跃连接的体系结构，以确保端到端的梯度流不会丢失信息。尝试使用ResNet50/101（所有变体）、exception、DenseNet和SENetwork

---

谢谢你，Timbus！