作为您提到的所有问题的介绍性文本，我会推荐深度学习书。它提供了对该领域的广泛概述。它解释了每个参数所起的作用。

在我看来，阅读一些最流行的架构（resnet、inception、alex-net）非常有帮助，并提取导致设计决策的关键思想。在阅读了上述书籍之后。

在你参考的课程大纲中，非常详细地解释了卷积层是如何添加大量参数（权重、偏差）和神经元的。该层一旦经过训练，就能够从图像中提取意义模式。对于较低层，这些过滤器看起来像边缘提取器。对于更高层，将这些原始形状组合起来以描述更复杂的形式。这些过滤器涉及大量参数，以及如何能够描述复杂形式并仍然能够减少参数数量的深度网络设计的一个大问题。

由于相邻像素具有很强的相关性（特别是在最低层中），因此通过对滤波器响应进行二次采样（池化）来减小输出的大小是有意义的。两个像素彼此相距越远，相关性越小。因此，池化层的大跨度会导致高信息丢失。松散地说。池化层的步长为 2 和内核大小为 2x2 是常见的选择。

一种更复杂的方法是 Inception 网络（Going deep with convolutions），其想法是增加稀疏性，但仍然能够通过将卷积层中的参数数量与 inception 模块交换以获得更深的网络来实现更高的准确度。

SqueezeNet：AlexNet-level accuracy with 50x less parameters and <0.5MB model size是一篇很好的论文，它以结构化、系统的方式提供了有关当前架构和某些设计维度的作用的提示。它建立在前面提到的模型中引入的想法之上。

如果您考虑在学习时间内更好地学习，我想建议这些内核和步幅大小；

关于滤镜大小，我认为这取决于您的图像特征。例如，网络识别对象需要大量像素，您可以使用更大的过滤器，另一方面，如果对象有点小或局部特征，您可以考虑应用相对于输入图像大小更小的过滤器。

对于步幅大小，对我来说，小步幅会更好地捕捉输入图像的更精细细节。

对我来说，池化的好处是它可以提取图像中最清晰的特征。一般来说，最清晰的特征看起来像是图像的最佳低级表示。