有设计神经网络的经验法则吗？

我知道神经网络体系结构主要基于问题本身和输入/输出的类型，但是仍然-在开始构建时总是存在“正方形”。所以我的问题是-给定一个MxN的输入数据集（M是记录数，N是要素数）和一个C可能的输出类-是否有一个应该从几层/单位开始的经验法则？

该问题已在CrossValidated中得到了详细解答：如何选择前馈神经网络中隐藏层和节点的数量？

但是，让我加上我自己的两分钱：

选择最佳的神经网络架构并没有神奇的法则，但是，如果您找到了曾经有人解决过类似问题的架构，这通常是一个很好的起点。

使用最好的神经网络库（例如Keras，PyTorch或Tensorflow）以及学术文献中描述的体系结构，官方或非官方示例都是最好的选择。github上的keras / examples是一个很好的资源。

这些体系结构可能是经过大量反复试验后才选择的，因此大部分工作将为您完成。

我读了一篇论文，探讨了使用神经网络设计其他神经网络的想法，探讨了节点和层的哪种配置最有效。这是您可以下载PDF的页面https://arxiv.org/abs/1611.02120

遵循@Imran的回答，我在他链接到的CrossValidated帖子的评论之一中找到了这篇论文。除了尝试使用遗传模型找到合适的体系结构（而不​​是使用经验法则）之外，第2.1节还为一/两层隐藏系统中应包含多少个隐藏单元提供了一些理论界限。

编辑： 我已经测试了该定理，并发现使用遗传模型与选择随机体系结构一样好。