建议选择10~15层比较合适。
1. 选择太少（如5层）可能会导致模型过于简陋，难以学习和理解复杂的关系和语义。
2. 选择太多（如20层以上）可能会导致过拟合，模型学习到的特征过多而导致泛化能力下降，从而对新数据的预测效果较差。
3. 经过多次尝试和实验，10~15层的深度可以很好地平衡模型的表达能力和泛化能力，达到比较好的效果，同时也不至于过分占用大量的计算资源和训练时间。
选5-7层最好。
1. 考虑实用性，选5-7层最具优势。
因为过少的层数可能会影响模型的表现能力，过多的层数可能会造成过拟合，导致模型泛化性能下降。
2. 但是需要根据具体的问题来决定选择几层，例如针对较为简单的问题可以选择更少的层数，而针对复杂问题可能需要更多的层数。
3. 此外，还需要结合其他因素考虑，如硬件配置和训练时间等，来做出更合理的选择。
