畳み込みネットワークの畳み込みフィルターの数の重要性は何ですか？

畳み込み層のフィルターの数は何を伝えますか？
この数値は、アーキテクチャのパフォーマンスまたは品質にどのように影響しますか？つまり、常により多くのフィルターを選択する必要がありますか？なにがいいの？そして、どのようにして異なるレイヤーに異なる数のフィルターを割り当てるのですか？私はこの質問を見ることを意味します：CNNの畳み込み演算子の数を決定する方法？
答えは、フィルタとサイズの異なる3つの畳み込み層を指定しました。この質問でも、畳み込みニューラルネットワークの特徴マップの数 写真からわかるように、最初のレイヤーには28 * 28 * 6フィルターがあり、2番目の変換レイヤーには10 * 10 * 16フィルターがあります。彼らはどのようにしてこれらの数字を思いついたのですか、これは試行錯誤によるものですか？前もって感謝します

畳み込み層のフィルターの数は何を伝えますか？-私は通常、フィルターを特徴検出器と考えています。問題領域に依存しますが、特徴検出器の重要性は直感的には、ネットワークが潜在的に学習できる特徴（エッジ、ライン、オブジェクトパーツなど）の数です。また、各フィルターが機能マップを生成することに注意してください。機能マップを使用すると、画像内の説明要因を学習できるため、＃フィルターが多いほど、ネットワークが学習する回数が多くなります（常に良いとは限りません-飽和と収束が最も重要です）

この数値は、アーキテクチャのパフォーマンスや品質にどのように影響しますか？-DLブラックボックス内で何が起こっているのかをまだ定式化しようとしているので、これらのタイプの質問に対して良い答えが見つかるとは思わない。直感的にもう一度、フィルターバンクが多くなればなるほど、より堅牢な非線形関数を学習しますが、パフォーマンスはタスクの種類とデータの特性に依存します。通常、アーキテクチャ内の＃パラメーター（フィルターを含む）を決定するために、どの種類のデータを扱っているかを知りたいと思います。フィルターはいくつ必要ですか？データセット内の画像が（特に）どの程度複雑かを尋ねるようなものです。＃フィルターをパフォーマンスに関連付ける正式な概念はありません。そのすべては実験的で反復的です。多くの証跡とエラーの保証。