这是我对卷积神经网络的理解和我的最佳实践。请告知我的思考过程是否准确。
1) 如果输入集的细节较小，则过滤器尺寸较小。
2) 数量取决于有多少小细节。
3) 始终有一个 maxpool 层，用于向输出层显示图像中最重要的部分。
4) 如果最后几个 epoch 之间的准确率非常小，并且训练时间很长，请考虑提高学习率和/或减少 epochs
5) 如果要使用 dropout，请在两个密集层之间使用它，最好在输出层之前使用它
提前感谢您的专业知识。
【问题讨论】：
标签： python tensorflow deep-learning neural-network conv-neural-network
让我们逐点评估。
1) 如果输入集有小细节，则使用更小的过滤器尺寸。 -> 是的，您可以使用最常用的 3x3 过滤器，或者如果需要，可以使用 2x2。但是，您仍然需要进行大量原型设计。除此之外，过滤器的数量与层的位置成正比。因此，在第一层，有 16 个，然后是下一层 32，依此类推。
2) 数量取决于有多少小细节。 -> 你不知道小细节的数量。神经网络实际上是一个黑盒，到目前为止还没有严格的数学方法来定义神经网络。
3) 始终有一个 maxpool 层，用于向输出层显示图像中最重要的部分。 -> 按照这种逻辑，您只需将 MaxPool 放在网络的末端。通常，在 2-3 个 Conv 层之后有一个 MaxPool。 MaxPool 的重点是突出重要功能，同时减少参数空间。谨慎使用它会破坏它的目的。
4) 如果最后几个 epoch 之间的准确率非常小，并且训练时间很长，请考虑提高学习率和/或减少 epoch。 -> 准确性通常会在训练结束时减慢增长速度。即使在学习率计划中，您也可以降低学习率 w.r.t 以增加 epochs。不要期望在训练结束时准确度会有很大的提高。尝试找到一个好的学习率并训练直到满意 w.r.t 验证集。
5) 如果要使用 dropout，请在两个密集层之间使用它，最好是在输出层之前。 -> dropout 的意义在于给出正则化效果。您也可以在 Conv 层中使用 dropout。使用dropout减少过拟合，位置无所谓。在 Dense 层中使用 dropout 的有效性应该更高，因为它们在网络末端持有导致预测的权重，但如果可能的话，应该在整个网络中使用 dropout。或者你可以在层权重上使用正则化器。
【讨论】：