URL:
EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
源码
TL;DR
谷歌大脑（Google Research, Brain Team）在ICML2019上的一篇工作。
主要是探索如何在深度、宽度、分辨率3个层面对模型进行自动缩放。
方法
Model Scaling
本文定义模型缩放包括3个尺度：宽度(width)指在channel数目上进行修改，深度(depth)指在layer数目上进行修改，分辨率(resolution)指在feature map大小上进行修改。组合缩放（compound）则是对上述3个维度进行组合修改。
实验和经验也告诉我们，增加上述3个维度能带来acc的提升（但也会带来计算量和参数量的增加）。但不同的组合策略能带来不同程度的性能提升。如下图所示，针对同一baseline，模型增大到同一Flops，不同组合带来的提升效果差别很大。
组合缩放实验
这就带来一个问题：如何科学地组合3中不同的缩放形式？
首先定义问题：我们的目标是找到acc最高的模型的缩放尺度参数。公式如下，其中分别是深度、宽度和分辨率的缩放尺度，表示阶段，层重复次。
优化目标
由于搜参范围较大，为此，本文引入复合参数，即首先在小范围内搜索得到，然后由用户指定的大下即可。
此外，由于depth的增大会增加倍的flops，但是width和resolution则会分别增加倍的flops。因此本文约束。实际上本文搜索得到的参数分别为。
约束条件
实验
实验结果分别如下：
跟stoa方法的对比：模型大小的影响
跟stoa方法的对比
CAM的结果
