Neural network 如何选择每个卷积层中的滤波器数量？

在构建卷积神经网络时，如何确定每个卷积层中使用的滤波器数量。我知道没有关于过滤器数量的硬性规定，但根据您的经验/阅读的论文等，是否有关于使用过滤器数量的直觉/观察

例如（我只是编了个例子）：

• 随着网络的深入，使用更多/更少的过滤器

• 使用大/小内核大小的较大/较小过滤器

• 如果图像中感兴趣的对象是大/小，请使用

---

正如你所说，这方面没有硬性规定

但是你可以从VGG16中获得灵感

它使每个conv层之间的过滤器数量增加了一倍。 对于内核大小，我通常保留3x3或5x5

但是，你也可以看看谷歌的《盗梦空间》。

---

它们使用不同的内核大小，然后对它们进行压缩。非常有趣。

就我而言，卷积层没有模糊的深度。以下是几点建议：

在CS231中，他们提到使用步幅为1或2的3 x 3或5 x 5过滤器是一种广泛使用的做法

它们的数量：取决于数据集。另外，如果数据合适，请考虑使用微调。

数据集将如何反映选择？实验问题

有哪些替代方案？请阅读《盗梦空间》和《ResNet》的论文，了解接近最新技术的方法

---

谢谢你的洞察力。您还可以评论一下图像类型（数据集）如何影响过滤器或内核的选择吗？对于过滤器的数量，由于图像通常有3个通道（RGB），因此不应该有太大的变化。（3->64->128…）对于内核大小，我总是保持3x3或5x5，并且总是运行良好。但是你必须进行测试，以找到解决问题的最佳方案。