有些网站很好地解释了这些。

决定隐藏层中的神经元数量

来自https://www.r-bloggers.com/selecting-the-number-of-neurons-in-the-hidden-layer-of-a-neural-network/：

最常见的经验法则是在 1 和输入变量的数量之间选择多个隐藏神经元。

决定隐藏层的层数

来自https://stats.stackexchange.com/questions/181/how-to-choose-the-number-of-hidden-layers-and-nodes-in-a-feedforward-neural-netw：

对于大多数问题，通过仅使用两条规则设置隐藏层配置，可能会获得不错的性能（即使没有第二个优化步骤）：（i）隐藏层的数量等于 1；(ii) 该层中神经元的数量是输入和输出层中神经元的平均值。

希望这能回答你的问题！

一种潜在的方法可以是迭代设计神经网络架构，例如多层感知器 (MLP)，如下文所述：

https://stats.stackexchange.com/questions/238637/deep-neural-network-tuning-hyperparameters

我们可以将自己限制为 4-8 层，每层有 8-128 个（2 的幂）神经元。此外，我们可以假设推荐使用 He 正常权重初始化的 ReLU 激活和使用 Nesterov 动量优化器的 Adam 或 SGD。

为了避免在小数据集上过拟合，重要的是添加 l1 或 l2 正则化（权重衰减）和 dropout 层（例如保持概率为 0.5）。

然后，我们可以使用带有随机搜索或贝叶斯优化的交叉验证来选择上面交叉验证文章中描述的最佳架构。