在某种程度上是的，谷歌研究人员最近发表了一篇关于如何选择好的 Inception 架构的论文。Inception 网络在有限的参数预算上实现了非常高的性能，所以这是一个很好的起点，而且它是最近的。这是链接：重新思考计算机视觉的初始架构。

他们没有提供任何硬性的定量规则，而是他们使用并相信帮助他们在最近的 ImageNet 比赛中取得良好表现的指导方针。

例如，他们讨论的一些原则是：

• 使用较小感受野卷积层的堆栈，而不是使用单个大感受野卷积层，即 2 个 3x3 卷积层堆栈与单个 7x7 卷积层。这个想法并不新鲜，它也在牛津 VGG 团队的《Return of the Devil in the Details: Delving Deep into Convolutional Networks》中进行了讨论。这是出于对参数有效的需求的推动。当我们通过更多层引入更多非线性时，它还具有更多表示能力的双重效果。

• 我在本文提到的文献中没有看到的是将卷积层分解为深层。因此，我们将有一个 1x7 的卷积层，然后是一个 7x1 的卷积层，而不是一个 7x7 的卷积层。增加了更多的深度，我相信它的参数也很有效。

• 平衡网的深度和宽度。使用高维表示。这是他们的 Inception 模块背后的原则之一，它将多个卷积层连接在一起。因此，即使您的 conv 网络中的空间尺寸很小，使用 Inception 模块，我们也可以通过多尺度卷积连接使用高维表示：1x1、3x3、3x3-3x3、max pool 全部放在一起。这些 Inception 模块具有“宽度”，因为它们可以被解释为并行执行多个操作。他们使用新的 Inception 模块走得更远，这些模块具有分解卷积大小、1x3、3x1 等。

• 使用 1x1 卷积层（网络风格的网络）来降低维度。他们使用了大量的降维技术来实现参数效率。他们认为这是有效的，因为相邻的特征图具有高度相关的输出。这是有道理的，因为众所周知，自然图像会表现出一些与此一致的局部统计特性。因此，通过 1x1 NIN 层降低维度不会对表示能力产生灾难性影响。

文章中还有更多内容。我认为这是一篇文章，可以提供一些关于您所问问题的见解。他们正在谈论conv net架构设计的一些非常核心的概念。

我没有遇到任何关于根据问题规范选择这些超参数的文献。但是，据我了解，大多数人都采用贝叶斯优化方法将有效值归零。您指定一个合理的范围，并通过测试各种组合，您可以了解这些超参数如何与模型的准确性相关的模型。这对我来说效果很好。查看 Snoek、Larochelle 和 Adams 的“机器学习算法的实用贝叶斯优化”（http://papers.nips.cc/paper/4522-practical-bayesian-optimization-of-machine-learning-algorithms.pdf）。