EfficientNet论文探讨了对卷积神经网络的模型扩展，通过复合缩放方法在宽度、深度和分辨率上均衡调整，以在保持高效的同时提高精度。实验表明，这种方法能大幅减少参数量和FLOPs，且性能优于MobileNets和ResNet。
文章目录
EfficientNet : Rethinking Model Scaling for Convolutional Neural Networks
论文和代码
简介
从题目中不难看出，本文从模型扩展(Model Scaling)的方向对CNN网络进行分析。过去几年中有着不少模型扩展的例子，ResNet（2016）可以对模型深度进行深浅变换 （ R e s N e t − 18 — — R e s N e t − 200 ） （ResNet-18——ResNet-200） （ResNet−18——ResNet−200）,WideResNet(2016)和MobileNets(2017)则是对模型宽度进行调整。而且，我们知道更大的输入图像分辨率将有助于在更多FLOPS的开销下提高准确性。
网络（复合模型拓展）
下图中，(a)是一个基础网络，(b)-(d)是在基础网络的基础上对分别在宽度、深度、分辨率上进行网络扩展，(e)是本文作者提出以固定比例均匀缩放所有三个维度的复合模型扩展方法
问题阐述
F i F_i Fi是卷积操作。 Y i Y_i Yi是输出张量。 X i X_i Xi是输入张量，且张量大小为 < H i , W i , C i > 1 <H_i,W_i,C_i>^1 <Hi,
最低0.47元/天 解锁文章
301
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
