超级会员免费看
EfficientNet-Lite采用Relu6替换swish激活，以适应量化需求。网络基于AutoML MNAS找到的MBConv基线，通过深度、宽度和分辨率的复合缩放实现性能与效率的平衡。它结合了MobileNet V2的MBCConv和SENet的squeeze and excitation，为资源受限环境提供高效准确的模型。
训练后量化
使用 Relu6替代swish 激活函数，swish激活复杂度高，并且对量化有不利影响。
Efficientnet Architecture
模型扩展的有效性在很大程度上依赖于baseline网络。为了进一步提高性能，作者还开发了一个新的基线网络，通过使用 AutoML MNAS 框架执行神经结构搜索，优化了准确性和效率。 最终的架构使用移动反向bottleneck卷积(MBConv) ，类似于 mobileenetv2和 MnasNet。
作者系统的研究了网络深度（Depth）、宽度（Widt
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
