为了自动化评估，您可以使用 Keras Tuner https://keras-team.github.io/keras-tuner/之类的工具

从他们的文档中，示例设置如下所示。

单位的最小值-最大值是您可以根据自己的情况对其进行调整的位置。

from tensorflow import keras
from tensorflow.keras import layers
from kerastuner.tuners import RandomSearch


def build_model(hp):
    model = keras.Sequential()
    model.add(layers.Dense(units=hp.Int('units',
                                        min_value=32,
                                        max_value=512,
                                        step=32),
                           activation='relu'))
    model.add(layers.Dense(10, activation='softmax'))
    model.compile(
        optimizer=keras.optimizers.Adam(
            hp.Choice('learning_rate',
                      values=[1e-2, 1e-3, 1e-4])),
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy'])
    return model

这个问题没有明确的答案。您应该尝试并评估模型如何执行测试不同的配置。但是，基本上，遵循以下两个前提：

• 每层更多的神经元--> 更复杂的模型，你可能会获得更好的准确性。
• 更多隐藏层--> 更复杂的模型，同样，您可能会获得更好的准确性。
• 警告这两种方法都通过增加模型的复杂性来增加过拟合的机会。您需要通过统计稳健的模型选择程序（例如交叉验证）仔细评估它们

请注意，增加模型的复杂性会增加计算过程，并且如上所述，要小心过度拟合。

我建议先尝试少量的神经元，然后尝试逐步增加，看看模型是否取得了一些改进。