我正在为CNN做准备 . 我读了一些关于训练MNIST数据集的论文使用CNN . 图像的尺寸为28x28并使用架构5层：输入> conv1-maxpool1> conv2-maxpool2>完全连接>输出
Convolutional Layer #1
- Computes 32 features using a 5x5 filter with ReLU activation.
- Padding is added to preserve width and height.
- Input Tensor Shape: [batch_size, 28, 28, 1]
- Output Tensor Shape: [batch_size, 28, 28, 32]
Pooling Layer #1
- First max pooling layer with a 2x2 filter and stride of 2
- Input Tensor Shape: [batch_size, 28, 28, 32]
- Output Tensor Shape: [batch_size, 14, 14, 32]
Convolutional Layer #2
- Computes 64 features using a 5x5 filter.
- Padding is added to preserve width and height.
- Input Tensor Shape: [batch_size, 14, 14, 32]
- Output Tensor Shape: [batch_size, 14, 14, 64]
Pooling Layer #2
- Second max pooling layer with a 2x2 filter and stride of 2
- Input Tensor Shape: [batch_size, 14, 14, 64]
- Output Tensor Shape: [batch_size, 7, 7, 64]
Flatten tensor into a batch of vectors
- Input Tensor Shape: [batch_size, 7, 7, 64]
- Output Tensor Shape: [batch_size, 7 * 7 * 64]
Fully Connected Layer
- Densely connected layer with 1024 neurons
- Input Tensor Shape: [batch_size, 7 * 7 * 64]
- Output Tensor Shape: [batch_size, 1024] Output layer
- Input Tensor Shape: [batch_size, 1024]
- Output Tensor Shape: [batch_size, 10]
在conv1中，1输入使用5x5滤波器计算32个特征，在conv2中使用来自conv1的32个输入计算使用相同滤波器的64个特征 . 什么是基于？选择的32,64,2x2滤波器等参数？它们是基于图像的大小吗？
如果图像大小大于28x28，例如128x128 . 我应该增加5层的层数吗？以上参数如何随其他尺寸的图像而改变？
谢谢提前
1 回答
在它的基础级别，这些输入称为HyperParameters，通常不由任何特定的规则集定义 . 也就是说，我们经常使用经验法则（启发式）来选择一组超参数，然后使用超参数优化来提高性能或效率等 .
对此的一个很好的解释是Here
Edit: 本文中的更多信息 - 这是一个被广泛研究的问题，请查看Arxiv和Stats.Stackexchange以获取更多信息，但这是我在学习时使用的一篇很棒的论文Here