本文介绍了一种高效的网络模型EfficientNet，并分析了 EfficientNet B0 至B7的网络结构之间的差异。谷歌AI在这篇文章中：https://arxiv.org/abs/1905.11946介绍了它。一般来说，模型设计得太宽，太深，或者分辨率太高。刚开始的时候，增加这些特性是有用的，但很快就会饱和，然后模型的参数会很多，因而效率不高。在EfficientNet中，这些特性是按更有原则的方式扩展的，也就是说，一切都是逐渐增加的。
ImageNet Accuracy：
共同之处
首先，任何网络都以它为主干，在此之后，所有对架构的实验都以它为开始，这在所有8个模型和最后的层中都是一样的：
之后，每个主干包含7个block。这些block还有不同数量的子block，这些子block的数量随着EfficientNetB0到EfficientNetB7而增加。EfficientNet-B0的总层数，总数是237层，而EfficientNet-B7的总数是813层，所有这些层都可以由下面的5个模块和上面的主干组成。
我们使用这5个模块来构建整个结构。
模块1 — 这是子block的起点。
模块2 — 此模块用于除第一个模块外的所有7个主要模块的第一个子block的起点。
模块3 — 它作为跳跃连接到所有的子block。
模块4 — 用于将跳跃连接合并到第一个子block中。
模块5 — 每个子block都以跳跃连接的方式连接到之前的子block，并使用此模块进行组合。
这些模块被进一步组合成子block，这些子block将在block中以某种方式使用。
子block1 — 它仅用于第一个block中的第一个子block。
子block2 — 它用作所有其他block中的第一个子block。
子block3 — 用于所有block中除第一个外的任何子block。
模型结构
EfficientNet-B0
EfficientNet-B1
EfficientNet-B2
它的架构与上面的模型相同，唯一的区别是特征图(通道)的数量不同，增加了参数的数量。
EfficientNet-B3
EfficientNet-B4
EfficientNet-B5
EfficientNet-B6
EfficientNet-B7
很容易看出各个模型之间的差异，他们逐渐增加了子block的数量。下面的表表示了EfficientNet-B0中卷积核大小以及分辨率、通道和层。
此表已包含在原始论文中。对于整个模型族来说，分辨率是一样的。我不确定卷积核的大小是否改变了。层的数量已经在上面的图中显示了。通道数量是不同的，它是根据从每个型号的摘要中看到的信息计算出来的，如下所示：
