CNN中卷积层和滤波器的数量如何选择

Question

我正在尝试提高 CNN 模型的速度，我使用的方法是删除架构中的一些卷积层，并且模型的准确性与我的数据集几乎保持相同。

我想知道在训练模型之前是否有某种方法可以分析数据集有多少卷积层足够？还有其他方法来分析模型有多少个过滤器就足够了吗？

Answer 1

让我们首先从更简单的部分开始。了解输入层和输出层的数量及其神经元的数量是最简单的部分。每个网络都有一个输入层和一个输出层。输入层中神经元的数量等于正在处理的数据中输入变量的数量。输出层中神经元的数量等于与每个输入相关联的输出的数量。但挑战在于了解隐藏层及其神经元的数量。

答案是，您无法分析计算人工神经网络中的层数或每层使用的节点数来解决特定的现实世界预测建模问题。层数和每层中的节点数是您必须指定和学习的模型超参数。您必须使用强大的测试工具和受控实验来找到答案。无论您可能遇到什么启发式方法，所有答案都将回到需要仔细实验以了解什么最适合您的特定数据集。

例如，过滤器大小就是您应该在训练网络之前指定的超参数之一。
对于图像识别问题，如果您认为网络需要大量像素来识别对象，您将使用大型过滤器（如 11x11 或 9x9）。如果您认为区分对象的是一些小的局部特征，您应该使用小过滤器（3x3 或 5x5）。这些是一些提示，但不存在任何规则。

有很多技巧可以提高深度学习模型的准确性。请参考此链接提高深度学习模型性能。

希望对你有帮助。