没有能够将模型大小和性能联系起来的数学函数。

神经网络的架构（过滤器大小、激活、深度、权重初始化）可以被认为是超参数，因此要改进您的模型，您需要采用超参数调整方法。

改进模型的另一种方法是在您的架构中试验最先进的功能。我相信你的数据集足够小给你很大的实验空间（因为据说训练时间很快）。

如前所述，没有办法找到神经网络的理想大小。它还取决于您使用的图层类型，而不仅仅是数据集的大小。但我认为可训练参数的数量至少应该小于数据集的大小（我的意思是示例数 x 特征数）。找到一个可行的架构可能是最佳实践 - 猜测比纯粹的机会更好，然后添加或删除层/神经元以达到最佳参数数量。

另一种认为它很小的方法是使用另一个更大的数据集，用于图像分类并比较同一网络上的结果。例如，您可以尝试猫和狗。您可以找到有关此数据集的几篇教程，包括Sentdex的一篇。

如果您正在进行图像分类，我强烈建议您研究迁移学习。有几个预训练的神经网络在大型数据集上训练了很长时间。只需很少的培训，您就可以轻松实现超过 %95 的准确度。