我认为您不应该对模型定义进行太大更改。

但是，您应该考虑在完整数据集上进行训练所需的时间。如果花费的时间太长并且您仍处于测试阶段，您希望减少 epoch 的数量以更快地获得结果并相应地对模型进行更改。

我建议绘制所有指标并尝试了解趋势是积极的还是消极的。如果是肯定的，那么您所做的更改当然是正确的！

然后，一旦你对超参数感到满意，就放个赞，让epochs=100模型训练一整夜，然后再次绘制学习曲线并决定何时更早停止，或者使用early_stopping.

DNN 的深度和宽度用于建模复杂性，而不是数据的大小。因此，如果您已经有足够的数据来充分训练您的模型，那么增加训练数据的大小不需要您进行任何更改，除非可能减少 epoch 的数量。例如，要对 MNIST 数据集的数据复杂性进行建模，您不需要数百层，即使您需要训练数十亿张图像。

但是，在某些情况下增加深度和宽度是有意义的：如果您首先没有大量数据，因此您创建了一个小型 DNN 来防止过度拟合，这不能充分模拟数据的复杂性，并且然后你会得到大量的额外数据，增加 DNN 的深度和/或宽度是有意义的。

一个好的点是遵循规则：

您的网络应该能够过度拟合您的训练数据。当你不能过度拟合你的训练数据时，你应该增加你的深度/宽度。但很难说有多少，它有时更像是一门艺术而不是一门科学。

当然，这并不意味着您应该过度拟合您的数据。