我想问你一个关于CNN中密集层中使用的神经元数量的问题。正如我所看到的一般，16,32,6412825651210242048个神经元正在密集层中使用。那么，在输出层之前，降序和升序更好吗？
例如
model.add(Dense(2048,kernel_regularizer='l2' ,activation='relu'))
model.add(Dense(1024,kernel_regularizer='l2' ,activation='relu'))
model.add(Dense(512,kernel_regularizer='l2' ,activation='relu'))
model.add(Dense(128,kernel_regularizer='l2' ,activation='relu'))
或
model.add(Dense(128,kernel_regularizer='l2' ,activation='relu'))
model.add(Dense(512,kernel_regularizer='l2' ,activation='relu'))
model.add(Dense(1024,kernel_regularizer='l2' ,activation='relu'))
model.add(Dense(2048,kernel_regularizer='l2' ,activation='relu'))
请你也解释一下，好吗？谢谢
TLDR：
你真的可以用它们中的任何一个。但这取决于许多克里特岛。
Semi-Long解释：
你可以使用其中任何一个，但它们会带来不同的含义。基本上，你希望神经元的数量随着特征图的大小减少而增加，以保持几乎相同的代表能力。当涉及到开发更抽象的功能时，情况也是如此，我稍后将讨论这些功能
这就是为什么你在很多论文中看到，它们从网络开始时的一个小数字开始，然后逐渐增加。
这背后的直觉是，早期的层处理原始概念，因此在某个时候拥有大量的神经元并不会真正受益，但随着你深入，抽象的层次越来越丰富，你希望能够尽可能多地获取信息，更好地创建新的/更高的/更丰富的禁欲。这就是为什么你越深入，神经元就越多。
另一方面，当你到达网络的尽头时，你会想从迄今为止开发的所有功能中选择最好的功能，所以你开始逐渐减少神经元的数量，所以希望你最终能获得对你的特定任务最重要的功能。
不同的架构设计具有不同的含义，并且基于对手头任务的不同直觉。你需要根据自己的需求选择最佳策略。
没有这样的递减与递增规则。但大多数人都遵循递减，但试着在你的fc部分保留比上次分类神经元更多的神经元
如果您看到VGG16 arch，最后一层的顺序是：4096、4096、1000。因此，这里1000是imagenet数据集中的类数。
在您的情况下，您可以遵循以下内容：
model.add(Dense(2048,kernel_regularizer='l2' ,activation='relu'))
model.add(Dense(1024,kernel_regularizer='l2' ,activation='relu'))
model.add(Dense(512,kernel_regularizer='l2' ,activation='relu'))
model.add(Dense(128,kernel_regularizer='l2' ,activation='relu'))
model.add(Dense(number_classes ,activation='softmax'))