如何确定卷积层和密集层内的参数数量？
How do you determine the number of parameters inside Convolution Layers and Dense Layers?
目前，我正在研究我的第一个神经网络，使用卷积来尝试和测试这个想法。我的项目目前涉及一个非常简单的系统，该系统使用监督学习对正方形和三角形进行分类。
我很好奇的一件事是如何确定卷积层中过滤器的数量。似乎人们通常使用 32 到 512 之间的值，而我不确定要为我自己的模型使用什么数字。对于 Dense 层也可以这样说。我看到人们添加了多个不同数量的密集层和卷积层，我想知道这到底意味着什么。
这完全取决于您拥有的数据集的类型以及一些命中和试验权重以及在训练期间添加的偏差，大多数情况下我们需要在 dropput 期间调整权重，总体而言没有特定的规则。
还要尝试过滤器的数量，不同类型的图像有不同的模式，调整这些参数将有助于模型捕捉这些模式，层数不固定[尝试不同的层和过滤器，研究人员已经创建了标准架构，如 Resnet 和 Alexnet，请通过为了更好的理解]
目前，我正在研究我的第一个神经网络，使用卷积来尝试和测试这个想法。我的项目目前涉及一个非常简单的系统，该系统使用监督学习对正方形和三角形进行分类。
我很好奇的一件事是如何确定卷积层中过滤器的数量。似乎人们通常使用 32 到 512 之间的值，而我不确定要为我自己的模型使用什么数字。对于 Dense 层也可以这样说。我看到人们添加了多个不同数量的密集层和卷积层，我想知道这到底意味着什么。
这完全取决于您拥有的数据集的类型以及一些命中和试验权重以及在训练期间添加的偏差，大多数情况下我们需要在 dropput 期间调整权重，总体而言没有特定的规则。 还要尝试过滤器的数量，不同类型的图像有不同的模式，调整这些参数将有助于模型捕捉这些模式，层数不固定[尝试不同的层和过滤器，研究人员已经创建了标准架构，如 Resnet 和 Alexnet，请通过为了更好的理解]