我想比较一下 CNN 的分类性能（测试精度）根据数据集的大小而变化的程度。为此，我想使用像 MNIST 或 Fashion MNIST 这样的数据集。

我想首先训练一个只有大约 1000 个图像的子集 ob 的 CNN，然后是一个大约 5000 个图像的子集 ob 的 CNN，然后是大约 10000 个图像的子集等。

对于每个这些数据集，应该生成一个优化的 CNN。

我目前的计划如下：

1. 创建一个简单的基础模型，它只有 1 个 Conv 层（带有 32 个过滤器）、MaxPooling2D、Dropout (0.5) 和一个包含大约 100 个神经元的 Dense Layer。
2. 使用这个基本模型，我将使用 GridSearchCV 搜索最小的数据集（包含 1000 张图像）作为批量大小，并使用优化器搜索所有其他数据集。

3. 然后我将为每个数据集执行以下操作：

   • 使用 GridSearchCV 搜索网络的最佳架构（Conv 层数、过滤器数、密集层数、密集层中的神经元数）（此时 RandomizedSearchCV 可能不太适合）

   • 搜索学习率、权重衰减、辍学率等（使用 GridSearch 或 RandomizedSearch）。

也许我可以只对一个或另一个不太重要的参数使用默认设置，然后将它们从搜索中排除。

我不确定我的方法是否真的值得推荐。

我也倾向于使用 RandomizedSearchCV 同时确定每个数据集的所有超参数。

非常感谢您的意见和建议。