作者：Vardan Agarwal

編譯：ronghuaiyang

導讀

深入研究所有不同EfficientNet結構的細節。

我在一個Kaggle競賽中翻閱notebooks，發現幾乎每個人都在使用EfficientNet 作為他們的主幹，而我之前從未聽說過這個。谷歌AI在這篇文章中：介紹了它，他們試圖提出一種更高效的方法，就像它的名字所建議的那樣，同時改善了最新的結果。一般來說，模型設計得太寬，太深，或者解析度太高。剛開始的時候，增加這些特性是有用的，但很快就會飽和，然後模型的引數會很多，因而效率不高。在EfficientNet中，這些特性是按更有原則的方式擴充套件的，也就是說，一切都是逐漸增加的。

不明白髮生了什麼？不要擔心，一旦看到了架構，你就會明白了。但首先，讓我們看看他們得到了什麼結果。

由於引數的數目相當少，這個模型族是非常高效的，也提供更好的結果。現在我們知道了為什麼這些可能會成為標準的預訓練模型，但是缺少了一些東西。

共同之處

首先，任何網路都以它為主幹，在此之後，所有對架構的實驗都以它為開始，這在所有8個模型和最後的層中都是一樣的。

之後，每個主幹包含7個block。這些block還有不同數量的子block，這些子block的數量隨著EfficientNetB0到EfficientNetB7而增加。要視覺化模型層，程式碼如下：

!pip 
install tf-nightly-gpu

import tensorflow 
as tf

IMG_SHAPE = (
224, 
224, 
3)

model0 = tf.keras.applications.EfficientNetB0(input_shape=IMG_SHAPE, include_top=
False, weights=
"imagenet")

tf.keras.utils.plot_model(model0) 
# to draw and visualize


model0.summary() # to see the list of layers and parameters

如果你計算EfficientNet-B0的總層數，總數是237層，而EfficientNet-B7的總數是813層！！但不用擔心，所有這些層都可以由下面的5個模組和上面的主幹組成。

我們使用這5個模組來構建整個結構。

• 模組1 — 這是子block的起點。
• 模組2 — 此模組用於除第一個模組外的所有7個主要模組的第一個子block的起點。
• 模組3 — 它作為跳躍連線到所有的子block。
• 模組4 — 用於將跳躍連線合併到第一個子block中。
• 模組5 — 每個子block都以跳躍連線的方式連線到之前的子block，並使用此模組進行組合。

這些模組被進一步組合成子block，這些子block將在block中以某種方式使用。

• 子block1 — 它僅用於第一個block中的第一個子block。
• 子block2 — 它用作所有其他block中的第一個子block。
• 子block3 — 用於所有block中除第一個外的任何子block。

到目前為止，我們已經指定了要組合起來建立EfficientNet模型的所有內容，所以讓我們開始吧。

EfficientNet-B0

EfficientNet-B0架構。(x2表示括號內的模組重複兩次)

EfficientNet-B1

EfficientNet-B1的結構

EfficientNet-B2

它的架構與上面的模型相同，唯一的區別是特徵圖(通道)的數量不同，增加了引數的數量。

EfficientNet-B3

EfficientNet-B3的結構

EfficientNet-B4

EfficientNet-B4的結構

EfficientNet-B5

EfficientNet-B5的結構

EfficientNet-B6

EfficientNet-B6的結構

EfficientNet-B7

EfficientNet-B7的結構

很容易看出各個模型之間的差異，他們逐漸增加了子block的數量。如果你理解了體系結構，我鼓勵你將任意的模型列印出來，並仔細閱讀它以更徹底地瞭解它。下面的表表示了EfficientNet-B0中卷積操作的核心大小以及解析度、通道和層。

此表已包含在原始論文中。對於整個模型族來說，解析度是一樣的。我不確定卷積核的大小是否改變了。層的數量已經在上面的圖中顯示了。通道數量是不同的，它是根據從每個型號的摘要中看到的資訊計算出來的，如下所示：

在結束之前，我附上了另一個影像，來自它的研究論文，顯示了它與其他的SO他的performance的比較，還有減少的引數的數量和所需的FLOPS。

英文原文：