用于小图像分类任务的Conv2d层数和过滤器数

Question

如果我正在处理一个数据集，其中我有大约100,000张训练图像和大约20,000张验证图像，每个图像大小为32×32×3，那么数据集的大小和尺寸如何影响我在CNN中拥有的Conv2d层的数量？我的直觉是使用较少的Conv2d层，2-3层，因为任何超过3层都将处理图像中太小而无法从其获取相关数据的部分。

此外，有大量的过滤器层，>128层是否有意义？我的想法是，在处理小图像时，有大量的参数是没有意义的。

Answer 1

因为您有准确的输入大小，比如Cifar10和Cifar100中的图像，所以只需看看人们尝试了什么。

一般来说，您可以从类似于ResNet18的东西开始。我也不太明白你为什么说

，因为任何三个以上的层都将处理图像中太小而无法从其获取相关数据的部分。

只要您不使用类似max池或带有填充1和大步2的conv之类的方法降低样本，32x32的大小将是相同的，并且只有通道的数量会根据网络的不同而改变。

设计网络几乎总是在观察其他人做了什么，为他们做了什么，并从那里开始。你几乎从来都不想自己白手起家，因为迭代周期很长，而且Google、Facebook的研究也发布了模型.有了更多的资源，你就必须找到好的东西。