Python 选择Conv2D过滤器值开始

我意识到下面的问题可能会得到类似“这是关于实验和使用经验”的回答，但我还是要问，因为我认为了解我应该从什么开始会很有用

在Keras，即

Conv2D

卷积层中，有一个名为

filters

的参数，我理解为“在一个大小由

内核大小

参数定义的图像上卷积的过滤器窗口数”。也就是说，

Conv2D（filters=32，kernel_size=（3,3）

将意味着32个大小为3x3的窗口将扫描整个图像

我的问题是：如果你正在创建一个全新的神经网络来解决，比方说，一个图像分类/识别问题，而不利用预先训练好的神经网络（从头开始），那么你通常从什么

过滤器
值开始为你的第一个卷积层？有经验法则吗？这仅仅是一个实验性的答案吗

比如说，我希望一个全新的模型能够识别图像中是否有狗，而无需利用
ResNet50
或
InceptionV3
imagenet模型，我将使用4160x3120大小的彩色图像，我已将其缩小为（224168,3）的
输入形状，我的第一个
Conv2D
层应该是什么样子

例如，此示例代码是否是解决我的问题的良好起点：

model = Sequential()
model.add(Conv2D(32, kernel_size=(3,3), activation="relu", input_shape=(224,168,3), data_format="channels_last"))
model.add(Conv2D(64, kernel_size=(3,3), activation="relu"))
#additional model design code

32岁是一个好的起点吗？我应该小一点吗？将过滤器大小从
Conv2D
层加倍到
Conv2D
层是否是解决新问题的合适方法

完全理解这是一个天生复杂的主题，没有“快速致富”的方法，但我只想更好地理解这个主题。
16或32可以

前几层中的过滤器通常不太抽象，通常模拟边缘检测器、水滴检测器等。通常，您不希望在输入层应用太多过滤器，因为从原始输入层提取的信息太多。如果您添加的过滤器太多，大多数过滤器将是多余的。您可以通过修剪来检查这一点（减少过滤器的数量，直到性能指标降低）

内核大小决定了您想要多少图像影响卷积的输出（内核的“感受域”）。可以看出，较小的内核通常比较大的内核更好（即使用3x3而不是5x5、7x7）

Inception体系结构将这些决策从建模者手中拿出来，因为它将不同内核大小的过滤器集中在一起，让模型学习最好的过滤器

作为参考，我建议在youtube上浏览斯坦福大学的CS231n课程，了解所有内容：
虽然这完全是我的观点，但从3个频道到32个频道太多了，最好开始慢一点。要回答你的主要问题，尽管这确实是一个反复试验的问题，我使用的一个很好的经验法则是参数的数量，例如，你的输入有224*168*3=112896，而你的第一层有221*165*32=1166880，这是一个巨大的增加，我通常会尝试保持增量稍微小一些，因为你自己训练，你真的只能做这么多的历次（如果我错了，请纠正我的数学）@NiteyaShah感谢您对这一点的看法。因此，在您看来，我的第一层应该看起来像
Conv2D（3，kernel\u size=（3,3），activation=“relu”，input\u shape=（224168,3），data\u format=“channels\u last”）
？还有，我对你是如何推导出221*165的有点困惑？啊，你把
内核的大小考虑进去，得到了221*165。因此，如果我将
过滤器设置为3，我是否应该保持当前设置的
内核大小
相同？将其设置为3将是非常冗余的，将其保持在10-18的范围内是我的选择，如果你能负担得起的话，我会通过几次短期运行来获得网络的感觉，至于你的第二个怀疑，你的怀疑似乎更具理论性，我建议你先读一下为什么我们使用conv，滤波器的作用是什么，还有一点卷积本身。另外，作为补充，使用方形图像训练你的网络是一个很好的做法，有时，您可能会收到来自不同来源、具有不同图像比率的图像，而将其调整为正方形不会影响学习，因此，将一个奇怪的矩形调整为另一个可以做到这一点