我们如何比较不同 ConvNets 的性能？

Question

我目前正在训练网络与具有以下架构的 CNN 一起玩游戏：

model = Sequential()
model.add(Conv2D(100, kernel_size=(2, 2), strides=(2, 2), activation='relu', input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(250, activation='relu'))
model.add(Dense(classifications, activation='softmax'))
model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=['accuracy'])

现在我想在架构中引入一些复杂性并让网络变得更深。如何将不同复杂度的 CNN 的性能制成表格，并最终通过为特定任务提供最佳选择得出结论？

我是不是走错了方向？如何确定 CNN 的深度以及它如何影响同一数据集上的性能？

提前感谢（我是这个网站的新手，请原谅这篇文章的不成熟）

编辑：关于我正在使用的数据集的信息：数据集由图像组成，每个图像都有 3 个可能的标签（0、1、2）存储在 CSV 文件中，每一行对应于该特定图像。

Answer 1

您可以做的最简单的事情是生成几个不同的模型架构，在训练集上训练它们并在测试集上评估它们。然后比较他们的准确率，准确率最高的应该是理论上表现最好的模型。

要使模型更深，您可以添加额外的密集层或卷积层。例如：

改变这个：

model.add(Dense(250, activation='relu'))

到这里：

model.add(Dense(250, activation='relu'))
model.add(Dense(250, activation='relu'))
model.add(Dense(250, activation='relu'))

将添加三个额外的密集层。从而使网络更深。

您可以通过复制 Conv2D 和 MaxPooling2D 线来复制卷积层。

寻找最佳架构和超参数的“试错”方法的替代方法是使用搜索方法like explained in this tutorial，即用户网格搜索。但是，这将比仅尝试几个您可以自己尝试的版本花费更长的时间。