Neural network 如何根据示例的数量确定深度NN培训的体系结构？

正如标题所说，我如何根据示例的数量确定结构或建立合理的模型来训练神经网络

例如，假设我有大约5万张图像，并且我已经成功地将所有数据转换为适合模型，这意味着它们已经准备好进行训练，那么我如何选择适合训练神经网络的模型呢？当我有数据时，我有时会有点困惑，但我不知道如何启动用于训练NN的模型。

微调是一种方法 有时你有一个预先训练好的CNN，你可以用它作为你领域的起点。有关微调的更多信息

根据这一点，我的建议是微调一个预先训练好的神经网络，你可以在Keras或TensorFlow中找到它。只要你对自己的训练集有信心，你就可以走得更远

---

在任何情况下，您都需要查看每个类的样本数，而不是培训集中图像的绝对数。如果您有信心，您可以选择一个深入学习的SOA体系结构，并尝试从零开始对其进行培训。

在体系结构的层数、每层的单元数方面，通常没有银弹，而且它通常会根据您的数据、图像大小等而变化。因为您是在图像上进行培训，所以您希望使用卷积层，但是对于最适合您的数据的体系结构，确实没有完美的答案。谢谢您的评论。是的，我知道基本的事情。但是选择一个合适的体系结构是非常困难的，当我尝试实现它时，当我尝试不同的方法时，它会让我感到困惑。如果我的图像大小是130，130，3，你有什么进一步的建议吗？你是在谈论从头开始开发一个架构还是在谈论一个现有的架构？嗨！关于您关于图像形状的问题：我想您可能遇到过MNIST示例，它们使用28x28x1输入。正如您所知，28*28是一幅图像的像素大小，1是通道数。因此，如果您有一个130x130x3图像，您必须更改输入占位符的形状[None，130x130x3]。让我知道进一步的困惑谢谢你的回答。如果我有50门课，每门课1000张图片怎么办？你有什么进一步的建议吗？在这种情况下，我会对预先训练好的网络的FC层进行微调，并尝试使用这一组测试性能。请记住，我不知道这个领域，我的答案是基于纯粹的直觉！祝你好运非常感谢，它确实有帮助。