自动确定在 keras CNN Conv2D 层中使用的最佳过滤器大小

Question

model.add(Conv2D(32, (5, 5),
                  padding='same',
                  data_format='channels_last',
                  input_shape=input_shape))


model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(Conv2D(32, (3, 3)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), padding='same'))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.25))

model.add(Dense(num_classes))
model.add(Activation('softmax'))

这是我现在的keras模型的样子，完全借鉴here。

我的问题分为两部分，
1.如何自动判断是使用model.add(Conv2D(32, (3, 3)))还是model.add(Conv2D(32, (5,5)))还是model.add(Conv2D(32, (4,4)))？
2. 除了模型的第一行，如果我将 conv2D(64, (3,3)) 模型的其余部分更改为 (5,5)，我会得到 `从 3) 中减去 5 获得的负维度。这是为什么？

我看了这两个问题：Selecting number of strides and filters in CNN (Keras) 和 Conv2D layer output shape in keras
根据他们的说法，实验是找出答案的唯一方法，但我想知道是否有一种自动的方法可以做到这一点。 因为有很多参数，例如value of dropout，kernel_size()，然后Dense()的值应该是512/356还是多少是最好的。

PS： 运行具有不同参数的不同模型在计算上变得昂贵，并且比较所有这些结果正在成为另一个痛苦的过程。 我的笔记本电脑有一个 2GB 的 nvidia 显卡，具有 5.0 的计算能力。

Answer 1

1. 内核维度是超参数，您可以使用多种策略自动优化。 Here are a couple of tips for that

2. 卷积层的输出高度/宽度遵循公式size = ((input_size - kernel_size) / stride) + 1。因此，对于太小的图像，您使用了太多的卷积层。在某些时候size 将是负数，你不能有负形输出