我在一个Kaggle竞赛中翻阅notebooks，发现几乎每个人都在使用EfficientNet 作为他们的主干，而我之前从未听说过这个。谷歌AI在这篇文章中：https://arxiv.org/abs/1905.11946介绍了它，他们试图提出一种更高效的方法，就像它的名字所建议的那样，同时改善了最新的结果。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。

不明白发生了什么？不要担心，一旦看到了架构，你就会明白了。但首先，让我们看看他们得到了什么结果。

由于参数的数目相当少，这个模型族是非常高效的，也提供更好的结果。现在我们知道了为什么这些可能会成为标准的预训练模型，但是缺少了一些东西。

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。要可视化模型层，代码如下：

!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

如果你计算EfficientNet-B0的总层数，总数是237层，而EfficientNet-B7的总数是813层！！但不用担心，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。

到目前为止，我们已经指定了要组合起来创建EfficientNet模型的所有内容，所以让我们开始吧。

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。如果你理解了体系结构，我鼓励你将任意的模型打印出来，并仔细阅读它以更彻底地了解它。下面的表表示了EfficientNet-B0中卷积操作的内核大小以及分辨率、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：

在结束之前，我附上了另一个图像，来自它的研究论文，显示了它与其他的SOTA的performance的比较，还有减少的参数的数量和所需的FLOPS。