找到合适的架构在某种程度上是可行的。您正在谈论的那些超参数可能会有所不同。尝试使用基础架构，然后训练您的模型。如果它不学习您的模型，请尝试更改超参数。找到一个好的模型是一个迭代操作。有很多争论，但对于在CNNs. 你可以想，如果你的模型不学习你的数据，它需要更多的特征来学习CNN。层的行为不知何故如下：

最大池化

它用于为其层的输入添加空间不变性。它还用于减小输入大小。通过增加其大小，上述两种行为会增加。

卷积层

这些层用于提取特征以降低成本函数以学习数据。如果你增加这些层的大小，它们的行为会更广泛，它们会发现更大区域的特征。

看看这里和这里。