我一直在阅读有关 Conv Nets 的大量资料，甚至使用 Julia 的 Mocha.jl 包（它看起来很像 Caffe，但你可以在 Julia REPL 中使用它）。
在卷积网络中，卷积层之后是“特征图”层。我想知道的是，如何确定一个网络需要多少特征图才能解决某个特定问题？这有什么科学依据还是更多的艺术？我可以看到，如果您尝试进行分类，至少最后一层应该有特征图的数量 == 类的数量（除非你在网络的顶部有一个完全连接的 MLP，我想）。
就我而言，我并没有进行分类，而是试图为图像中的每个像素提出一个值（我想这可以看作是类别从 0 到 255 的分类）。
编辑：正如评论中所指出的，我正在尝试解决输出在 0 到 255 范围内（在这种情况下为灰度）的回归问题。尽管如此，问题仍然存在：如何确定在任何给定的卷积层使用多少特征图？这对于回归问题和分类问题有什么不同吗？
基本上，就像任何其他超参数一样——通过在单独的开发集上评估结果并找到最有效的数字。还值得检查处理类似问题的出版物并找出他们使用了多少特征图。
更多艺术。使用 conv-nets 的 imagenet 获胜者之间的唯一区别是改变了层的结构，也许还有一些新的训练方式。
VGG 就是一个很好的例子。从过滤器大小开始，从 2^7 开始，然后是 2^8，然后是 2^9，然后是完全连接的层，然后是一个输出层，它会给你你的类。您的地图和图层深度可能与输出类的数量完全无关。
您不希望在顶部有一个完全连接的层。这违背了卷积网络旨在解决的目的（过度拟合和优化每个神经元数十万个权重）
大集合的训练需要大量的计算资源。如果您正在使用 imagenet - 有一组带有 caffe 的预训练模型，您可以在http://caffe.berkeleyvision.org/model_zoo.html之上构建
我不确定你是否可以将这些移植到摩卡咖啡。有一个张量流的端口，如果你对此感兴趣的话https://github.com/ethereon/caffe-tensorflow