我意识到以下问题可能会按照“关于实验和使用经验”的原则获得回应，但无论如何我都会提出问题，因为我认为了解我应该从什么开始应该很有用。
在Keras的Conv2D卷积层中，有一个名为filters的参数，我将其理解为“在由kernel_size参数定义的大小的图像上卷积的滤镜窗口数”。即Conv2D(filters=32, kernel_size=(3,3)..)表示将在整个图像上扫描大小为3x3的32个窗口。
我的问题是：如果您要创建一个全新的神经网络来解决图像分类/识别问题，而又不利用预先训练的神经网络（因此从头开始），那么通常您会从哪个filters值开始与您的第一个卷积层？有经验法则吗？这只是字面上的实验答案吗？
假设我希望一个全新的模型能够在不利用ResNet50或InceptionV3 imagenet模型的情况下识别图像中是否有狗，而我将使用尺寸为4160x3120的彩色图像缩小到（cc，168,3）的input_shape，我的第一个Conv2D层应该是什么样？
例如。此示例代码是否是解决我的问题的良好起点：
model = Sequential()
model.add(Conv2D(32, kernel_size=(3,3), activation="relu", input_shape=(224,168,3), data_format="channels_last"))
model.add(Conv2D(64, kernel_size=(3,3), activation="relu"))
#additional model design code
32是一个好的起点吗？我应该缩小一点吗？将滤镜大小从
Conv2D层增加到Conv2D层是否是解决新问题的合适方法？完全理解这是一个固有的复杂主题，没有“快速致富”的方法，但我只是想对这个主题有更好的了解。
最佳答案
16或32很好。
前几层中的过滤器通常不太抽象，并且通常模拟边缘检测器，斑点检测器等。您通常不希望将过多的过滤器应用于输入层，因为从原始输入层只能提取太多信息。如果添加太多，大多数过滤器将是多余的。您可以通过修剪（减少过滤器数量，直到性能指标下降）进行检查
内核大小决定了要影响卷积输出（内核的“接收场”）的图像数量。可以看出，较小的内核通常要比较大的内核好（即使用3x3而不是5x5、7x7）。
初始架构将这些决策权从建模人员的手中夺走，因为它将不同内核大小的滤波器组合在一起，并让模型学习最佳的滤波器。
作为参考，我建议您在youtube上学习斯坦福大学的CS231n课程以了解所有内容：https://www.youtube.com/playlist?list=PLC1qU-LWwrF64f4QKQT-Vg5Wr4qEE1Zxk
关于python - 选择Conv2D过滤器值以开始，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/52447345/