谷歌开源新模型 EfficientNet：图像识别效率提升 10 倍，参数减少 88%
发布时间：2019-06-10 08:20:13 所属栏目：移动互联 来源：佚名
导读：卷积神经网络通常是再有限的资源下进行开发，然后在条件允许的情况下将其扩展到更大的计算资源上以获得更好的准确率。谷歌 AI 的科学家们在论文《EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks》中系统地研究了模型扩展的问
|
解决公式（2）的一个难点就在于 d,w,r 彼此依赖，并且会由于不同的资源条件所改变。传统方法主要集中于独立地解决其中一个维度的扩展问题。下图是改变每个维度对模型性能影响的部分实验结果：
图中从左至右分别表示的是不同宽度、深度、分别率系数对模型性能的影响。随着宽度、深度、分辨率的提高，更大的网络会获得更好的准确率。但是，在达到 80% 后，准确率很快就趋于饱和，这说明了 单维度的扩展是具有局限性的 。这里的实验结果均使用的是 EfficientNet-B0 作为基线网络，具体结构如下表所示：
表 1：EfficientNet-B0 网络，每一行表示多层网络的某个阶段，resolution 输入张量大小，Channels 表示输出通道数。表中的符号与公式（1）中的符号意思 通过这一部分的比较作者得出： 观察 1：对网络的宽度、深度以及分辨率中的任意一项做扩展都可以提高其准确率，但是随着模型越来越大，这种提升会逐渐缩小。 复合扩展（编辑：核心网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
