我看到很多教程都这样做，我也一直遵循这种标准做法。

在训练数据的批量大小方面，我们通常会选择从2开始的几何级数的值，比如2、4、8、16、32、64。

即使在选择隐藏层的神经元数量时，我们也以同样的方式分配。这些值可以是2、4、8、16、32、64、128、256、512等。

这背后的核心原因是什么？为什么这样做神经网络的表现会更好？

回答：

如果你使用NVIDIA GPU（深度学习中最流行的选择），卷积和全连接层的通道大小选择主要是为了启用Tensor核心，正如其名，这些核心用于高效的张量和矩阵运算（因此也用于卷积）。引用NVIDIA关于深度学习性能的指南：

选择输入和输出通道的数量能够被8整除以启用Tensor核心

关于批量大小也有类似的指导方针，但这些原因与量化有关。