Efficient_Net算法
论文原文 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
github 代码
pytorch 代码
CSDN 下载link
Efficient_Net是目前世界上最先进的神经网络算法之一,该算法具有复杂网络的量化调整能力,通过对网络深度(depth),宽度(width)和输入图片分辨率(resolution)的综合调整,获得对特定需求的最优网络参数,使网络同时具备了网络大小与识别准确率的双重优势。
Efficient Net工作流程
Efficient Net的工作流程如图所示。
- 将图片经过第一个Conv3x3层转化为MBConv模块需要的输入维度;
- 图片经过一系列的MBConv模块提取出特征图(feature map);各个MBConv模块的参数进行了精细化调整以适应当前使用环境;组合式的尺度优化方法可以使网络获得更好的感受野;
- 利用基于Fully-Convlutional-Neural-Network的特征图自适应连接方式。使用Conv1x1网络将能适应各种不同尺寸的特征图,并将其统一为我们需要的维度;
最后通过输出的特征图完成图片的分类识别检测。
Efficient Net的复杂网络量化调整
在Efficient Net中一个卷积网络层i可以定义为 Y i = F i ( X i ) Y_i=F_i (X_i) Yi=Fi(Xi) 其中 F F F是运算, Y Y Y是输出张量, X X X是输入张量,其维度为 < H i , W i , C i > <H_i,W_i,C_i> <Hi,