如何计算多层感知器中每一层的 in_features？答案

【问题标题】：How to calculate in_features for every layer in multilayer perceptron?如何计算多层感知器中每一层的 in_features？
【发布时间】：2021-06-24 09:59:33
【问题描述】：

不同层的in_features之间的比例是多少合适？它应该是整数吗？例如，它是解决CIFAR10的全连接网络的一部分：

self.fc1 = nn.Linear(32*32*3, 256)
self.bn1 = nn.BatchNorm1d(256)
self.fc2 = nn.Linear(256, 64)
self.bn2 = nn.BatchNorm1d(64)
self.fc3 = nn.Linear(64, 10)

为什么教程中的作者在第二层使用 256 个节点，在第三层使用 64 个节点？或者可能有完全不同的数字？

【问题讨论】：

嗨@Victoria，欢迎来到社区。您的问题可能需要一些背景信息和说明，以获得社区的最大关注。首先：您参考的是什么教程？谢谢

标签： deep-learning neural-network pytorch perceptron

【解决方案1】：

通常在使用 mlp 进行分类的情况下（我说的是真正常见的情况），您在每一层的输入和输出大小之间放置数字。
这里条目（图像的像素）：32x32x3 = 3072 输出（类）：10

通常使用 2 的幂（可能是为了提高效率），但只要有效，您就可以使用 1000 和 200。即使有一些其他的通用规则，只要它适用于神经网络......

【讨论】：