Python 3.x 卷积层中的滤波器尺寸

如果在卷积层之后添加另一个具有相同过滤器大小的卷积层，会发生什么

例如，在大约20层的网络中，我必须在卷积层中选择不同的滤波器大小。那么，如果我这样做会产生什么影响呢

inner = MaxPooling2D(pool_size=(1,2),strides=2,padding='valid', name ='max3')(inner)

inner = Conv2D(64, (3,3),strides=1,padding= 'same', name='conv6', kernel_initializer='he_normal')(inner)
 
inner = Conv2D(64, (3,3),strides=1,padding= 'same', name='conv7', kernel_initializer='he_normal')(inner)
 
inner = Conv2D(64, (3,3),strides=1,padding= 'same', name='conv8', kernel_initializer='he_normal')(inner)  
inner = BatchNormalization()(inner)

---

在使用相同过滤器和不同过滤器的两种情况下进行培训
（1） 观察结果是，当使用更多权重进行训练时（意味着随着数量的增加使用更多过滤器），测试精度更高
（2） 当使用相同的过滤器进行训练时，精度不如以前的情况

在CIFAR10数据集上运行以下代码

   model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
   model.add(layers.MaxPooling2D((2, 2)))
   model.add(layers.Conv2D(64, (3, 3), activation='relu'))
   model.add(layers.MaxPooling2D((2, 2)))
   model.add(layers.Conv2D(64, (3, 3), activation='relu'))

总参数：56320
可培训参数：56320
不可训练参数：0

在这种情况下，损失：0.9110-精度：0.6937

   model = models.Sequential()
   model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
   model.add(layers.MaxPooling2D((2, 2)))
   model.add(layers.Conv2D(32, (3, 3), activation='relu'))
   model.add(layers.MaxPooling2D((2, 2)))
   model.add(layers.Conv2D(32, (3, 3), activation='relu'))

总参数：19392
可培训参数：19392
不可训练参数：0

在这种情况下：损失：0.9760，准确度：0.6695