【项目问答】EfficientNet

1、efficientB0~B7的区别 

通过AutoML技术（自动选择出一个最合适的模型，并且能够设定好它的最优参数）对图像输入分辨率 ，网络的深度以及通道的宽度进行合理化配置来提升模型效果。

B0~B7网络越来越深，参数量越来越大，效果越来越好

2、为什么可以提升模型效果

• 增加网络的深度depth能够得到更加丰富、复杂的特征
• 增加网络的width能够获得更高细粒度的特征
• 增加输入网络的图像分辨率能够获得更高细粒度的特征

3、介绍一下你用的efficientnet

通过一个3*3卷积提取特征后进入重复堆叠的MBConv结构进一步提取特征，然后经过一个1*1卷积降维后经过一个平均池化层和全连接层

4、MBConv结构是怎样的

MBConv结构主要由一个1x1的普通卷积来进行升维，然后经过一个DW模块、SE模块进一步提取特征，通过一个1x1卷积降维后通过一个Droupout层输出。

5、DW模块的原理和作用

常规卷积卷积核维度和输入通道一样，卷积核的数量等于输出通道数，而DW模块的卷积核维度是1，卷积核的数量等于输入通道数。从而减少计算量。

缺点：对每个通道独立进行卷积运算，没有提取到通道间的信息

6、SE模块的原理和作用

各层特征映射的重要性其实是不同的，通过平均池化和两个全连接层学习到不同特征映射层的重要性，将各个特征映射层乘以相应的重要性，从而更好地提取特征

7、怎么通过平均池化和全连接层学习到重要性的

将各层特征映射进行平均池化获得每一层的全局信息，然后通过两个全连接层再去与特征映射相乘，这样在反向传播的时候就能通过梯度更新学到各层的权重

8、为什么有两个全连接层

第一个全连接层通过乘以一个缩放系数进行降维来降低计算量，通过swish来防止梯度消失或爆炸，第二个全连接层进行升维恢复维度以便和feature map相乘，并通过sigmoid将学到的权重限制在0~1之间，以防权重过大。

9、efficient损失函数

交叉熵（只针对二分类，多分类是softmax）

->改为softmax可做多分类