功能描述：
在開發以卷積神經網絡（CNN）為核心的機器學習模型時，我們通常會先使用固定的資源成本，構建最初的模型，然后增加更多資源（層數）擴展模型，從而獲得更高的準確率。
著名的 CNN 模型 ResNet（深度殘差網絡），就可以用增加層數的方法從ResNet-18 擴展到 ResNet-200。谷歌的 GPipe 模型也通過將基線 CNN 擴展 4 倍，在 ImageNet 數據庫上達到 84.3% 的準確率，力壓所有模型。
一般來說，模型的擴大和縮小都是任意增加 CNN 的深度或寬度，抑或是使用分辨率更大的圖像進行訓練和評估。雖然這些傳統方法提高準確率的效果不錯，但大多需要繁瑣的手動調整，還可能無法達到最佳性能。
因此，谷歌AI團隊最近提出了新的模型縮放方法“復合縮放（Compound Scaling）”和配套的 EfficientNet 模型。他們使用復合系數和 AutoML 從多個維度均衡縮放 CNN，綜合考慮深度和寬度等參數，而不是只單純地考慮一個，使得模型的準確率和效率大幅提升，圖像識別的效率甚至可以大幅提升 10 倍。
這項新方法的根本優勢在于實踐起來非常簡單，背后的原理很好理解，甚至讓人懷疑為什么沒有被更早發現。該研究成果以論文的形式被 ICML 2019（國際機器學習大會）接收，名為 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks。EfficientNet 模型的相關代碼和 TPU 訓練數據也已經在 GitHub 上開源。
源碼來自：https://github.com/titu1994/keras-efficientnets/blob/master/keras_efficientnets/efficientnet.py
聯系：highspeedlogic
QQ ：1224848052
微信：HuangL1121
郵箱：1224848052@qq.com
網站：http://www.mat7lab.com/
網站：http://www.hslogic.com/
微信掃一掃：
|
