Answers:
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。初始网络在有限的参数预算下可实现非常高的性能，因此，这是一个很好的起点，而且是最近的。这是链接：重新思考计算机视觉的初始架构。
他们没有提供任何严格的量化规则，而是提供了他们曾经使用并认为已帮助他们在最近的ImageNet竞赛中取得良好表现的准则。
例如，他们讨论的一些原则是：
使用较小的接收场卷积层的堆栈，而不是使用单个较大的接收场卷积层，即2个3x3转换层与单个7x7转换层的堆栈。牛津VGG团队在“细节中的魔鬼归来：深入研究卷积网络”中对此想法进行了讨论，这并不是什么新鲜事。这是由于需要提高参数效率而引起的。当我们引入更多层的非线性时，它还具有更大的表示能力的双重影响。
我在文献中没有看到这篇文章提到的东西，就是将卷积层分解为更深的层。因此，我们将拥有一个1x7的conv层，然后是一个7x1的conv层，而不是只有一个7x7的conv层。增加了更多的深度，我相信它也同样有效。
平衡网的深度和宽度。使用高维表示。这是其Inception模块背后的原理之一，该模块将多个卷积层连接在一起。因此，即使您的卷积空间很小，使用Inception模块，我们也可以通过多尺度卷积级联使用高维表示：1x1、3x3、3x3-3x3，最大池放在一起。这些Inception模块具有“宽度”，因为它们可以解释为并行执行多个操作。它们与新的Inception模块一起走得更远，这些模块具有分解的卷积大小（1x3、3x1等）。
使用1x1转换层（网络样式的网络）以减少尺寸。他们使用许多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，因为已知自然图像会显示出与此一致的局部统计属性。因此，通过1x1 NIN层降低尺寸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，可以为您提出的问题提供一些见解。他们正在谈论卷积网络建筑设计的一些非常核心的概念。
我还没有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，大多数人都在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，然后通过测试各种组合，您将学习一个模型，了解这些超参数如何与模型的准确性相关。对我来说效果很好。请查看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）。