1、卷積核
卷積核的大小
根據7×7與3×3卷積核loss值的對比可以發現， 在初始階段卷積核較大時準確率更低，因爲卷積核越 大每一次訓練時丟棄的特徵值越多。但是，隨着訓練 次數的增加，卷積核較大的實驗最終達到甚至高於同 等條件下卷積核較小的實驗對象的準確值。
卷積核的數量
在一定範圍內，適當增加捲積核的數量可以提高準確率。剛開始設置的卷積核數目較少，運行出的精確度 較低，且收斂慢；後來將卷積核數目增多，每次提取更 多的特徵，發現 loss 函數下降越快，識別精度越高。
卷積的層數
每一層卷積神經網絡提取一個特徵值，提取的特徵值越多，則越能區分每一張圖片。因此，理論上卷 積的層數越多，圖像識別的準確率越高。
bitchsize 尺寸
batchsize 指 的是每一批處理的樣本數量。當 batchsize 增大時，處理 速度會加快，但處理精度會下降。另外，batchsize 太小 會導致 loss 函數震盪而不收斂。隨着 batchsize 的增大， 處理數據量的速度加快，達到相同精度所需要的訓練次 數數量越來越多，所以 batchsize 存在一個峯值
dropout（丟棄率）
dropout 的作用在於簡化網絡。網絡越複雜，需 要的訓練數據越多，訓練速度會越慢。因此，適當增加丟棄率可以提高訓練速度。實驗驗證，適當提高 dropout 會減小噪聲導致的誤差，增加準確率。
學習次數
學習次數越多，機器識別率越高。訓練次數初始值爲 50，準確率不高，在測試中將它逐步增加到 100、200、300、400，準確率逐漸得到提高