EfficientNet是谷歌提出的一种优化深度学习模型的方法，着重研究网络的深度、宽度和分辨率之间的平衡，以实现更高性能和效率。论文通过Compound Model Scaling方法，结合NAS技术，找到了优化网络规模的策略。实验表明，多角度的模型缩放能有效提升模型性能，特别是在ImageNet上的实验结果令人印象深刻。然而，论文主要关注FLOPs指标，未来可能需要考虑实际应用中的MAC指标以实现更好的实用性。
谷歌：ICML 2019 paper：https://arxiv.org/abs/1905.11946
前一阵子谷歌非常火的一篇paper，主要探讨网络的depth，width和resolution之间的balance，来获得最佳的性能。base在分类网络上，提出了Compound Model Scaling方法。
Introduction
作者提出了EfficientNet。先看整体实验效果，感觉非常棒。在一定的param下，达到了非常高的性能。效果很明显。
整篇paper出发于这样一个问题 “is there a principled method to scale up ConvNets that can achieve better accuracy and efficiency”。
文中有一点是值得说明，model scaling的effectiveness 严重依赖于baseline network 。因为dw卷积以及实际用途，像mobilenet和resnet，这两类网络的model scale就会
最低0.47元/天 解锁文章
扫一扫
674
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
