从这个Keras文档示例中学习
model = Sequential()model.add(Conv2D(32, (3, 3), padding='same', # 为什么滤波器是32？ input_shape=x_train.shape[1:]))model.add(Activation('relu'))model.add(Conv2D(32, (3, 3))) # 为什么滤波器没有改变？model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25))model.add(Conv2D(64, (3, 3), padding='same')) # 为什么滤波器改成了64？model.add(Activation('relu'))model.add(Conv2D(64, (3, 3)))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25))model.add(Flatten())model.add(Dense(512)) # 为什么Dense层的神经元是512？不是1024？设置数量的规则是什么？我的问题如下：
-
为什么第一层滤波器是32，且在同一层中的第二个位置没有改变？
-
为什么第二层滤波器改成了64？设置数量的规则是什么？
-
为什么Dense层的神经元是512？不是1024？设置数量的规则是什么？
回答：
为什么第一层滤波器是32，且在同一层中的第二个位置没有改变？
滤波器的数量可以是任意数字。这只是该层中拥有更多卷积核的问题。每个滤波器会在输入的所有通道上进行单独的卷积操作。所以32个滤波器会在输入的所有RGB通道上进行32次独立的卷积操作。
为什么第二层滤波器改成了64？设置数量的规则是什么？
同样参考第一个回答，每层上的滤波器数量可以是任何数字。例如，这里第二层有64个滤波器，它们会在第一层输出的所有32个通道上进行64次独立的卷积操作。
为什么Dense层的神经元是512？不是1024？设置数量的规则是什么？
同样，Dense层可以有任意数量的神经元。例如，如果你有一个64x64x3的RGB输入，你的最后一个卷积输出将产生(batch_size, 16, 16, 64)（假设padding='same'和最大池化层上的步长为(2,2)）的输出。
经过Flatten()层后，这将变成(batch_size, 16*16*64)的输出。然后你将这个作为Dense层的输入，并产生(batch_size, 512)的输出（因为Dense层有512个神经元）。确切地说，Dense层执行以下矩阵乘法：(batch_size, 16*16*64) x (16*16*64, 512)，这将产生(batch_size, 512)大小的输出。
注意：设置这些参数的最佳方式是对你的数据集进行超参数优化。
编辑：我所说的独立卷积是什么意思
所以一个滤波器在这里代表一种颜色。这是针对1D卷积（使用padding='valid'）。但你应该明白，它们是随机初始化的独立滤波器。随着时间的推移，它们会学习到各种滤波器。
