卷积神经网络（CNN）通常是在固定资源成本下开发的，然后进行扩展以在提供更多资源时实现更高的准确性，从而使Google AI卷积神经网络（CNN）得以发布。 。例如，通过增加层数，可以将ResNet从ResNet-18扩展到ResNet-200，最近，GPipe获得了84.3％的ImageNet通过将基准CNN放大四倍来实现top-1精度。模型缩放的常规做法是任意增加CNN的深度或宽度，或使用较大的输入图像分辨率进行训练和评估。尽管这些方法确实提高了准确性，但它们通常需要繁琐的手动调整，并且仍然经常会产生次优的性能。相反，如果Google可以找到一种更原则化的方法来放大CNN以获得更好的准确性和效率呢？

在Google的ICML 2019论文“ EfficientNet：重新思考卷积神经网络的模型缩放”中，Google提出了一种新颖的模型缩放方法，该方法使用了简单而高效的复合系数以更结构化的方式扩展CNN。与传统方法任意缩放网络尺寸（例如宽度，深度和分辨率）不同，Google的方法使用一组固定的缩放系数来统一缩放每个尺寸。在这种新颖的缩放方法和AutoML的最新进展的支持下，Google开发了一系列模型，称为EfficientNets，该模型以超过10倍的更好效率（更小和更快）超越了最先进的精度。

复合模型缩放：放大CNN的更好方法

为了了解扩展网络的影响，Google系统地研究了扩展模型的不同维度的影响。虽然缩放单个维度可以提高模型性能，但Google发现平衡网络的所有维度（宽度，深度和图像分辨率）与可用资源相比，可以最好地改善整体性能。

复合缩放方法的第一步是执行网格搜索，以找到在固定资源约束（例如，两倍多的FLOPS）下基准网络的不同缩放维度之间的关系。）。这将确定上述每个尺寸的适当缩放系数。然后，Google应用这些系数将基准网络扩大到所需的目标模型大小或计算预算。

比较不同缩放方法。与常规缩放方法（b）-（d）任意缩放网络的单个维度不同，Google的复合缩放方法以一种有原则的方式均匀地缩放所有维度。

与传统的缩放方法相比，此复合缩放方法始终如一地提高了模型的准确性和效率，可用于扩展现有模型，例如MobileNet（+ 1.4％图像网络精度）和ResNet（+ 0.7％）。

高效网络架构

模型缩放的有效性也严重依赖于基线网络。因此，为了进一步提高性能，Google还通过使用AutoML MNAS框架执行神经体系结构搜索来开发了新的基准网络，该框架优化了准确性和效率（FLOPS）。生成的体系结构使用了移动反向瓶颈卷积（MBConv），类似于MobileNetV2和MnasNet，但是由于增加了FLOP预算而略大。然后，Google扩大基准网络，以获得称为EfficientNets的一系列模型。