调整卷积层的参数需要根据具体的任务和数据集来进行选择。以下是一些经验：
卷积核大小：通常情况下，使用小的卷积核（例如3x3或5x5）比使用大的卷积核效果更好，因为小的卷积核可以学习到更局部、更细节的特征。但是，对于更大的输入数据或更复杂的任务，可能需要更大的卷积核（例如7x7或9x9）来提取更高级别的特征。
步幅：通常情况下，步幅为1的卷积层可以得到更好的结果，因为它可以保留更多的信息，但在某些情况下，增加步幅也可以减少计算量和内存占用。在设计卷积神经网络时，可以在需要减小特征图大小时使用步幅大于1的卷积层，例如在池化层之前使用。
填充：填充主要用于在保留输入数据形状的同时，增加卷积层的感受野。通常情况下，使用填充可以提高卷积层的准确性，但同时也会增加计算量和内存占用。在设计卷积神经网络时，可以在需要保留边缘信息时使用填充。
卷积核个数：卷积核个数可以影响卷积层的表示能力。在通常情况下，增加卷积核的数量可以提高卷积层的表示能力，但同时也会增加计算量和内存占用。因此，在设计卷积神经网络时，需要根据具体任务和计算资源来选择卷积核的数量。
需要注意的是，这些经验只是作为一般性的指导，具体的参数选择需要根据具体情况进行调整。一般来说，可以通过实验和调参来确定最佳的卷积层参数。