AITerms 登入
深度學習電腦視覺模型訓練

高效網路(EfficientNet)是什麼?

EfficientNet 是一系列由 Google 開發的卷積神經網路架構,旨在透過複合縮放方法,在準確度和效率之間取得最佳平衡。

完整定義

EfficientNet 是一系列由 Google 開發的卷積神經網路架構,其核心思想是透過一種複合縮放方法,同時調整網路的深度、寬度和解析度,以在準確度和計算效率之間取得最佳平衡。這種方法旨在克服傳統縮放方法的局限性,並在各種電腦視覺任務中實現更高的效能。

白話說明

你有沒有遇過,想把影像模型放到手機上,卻又不想準確率掉太多?

你可以把它想成,模型不是只拼命變深或變寬,而是把深度、寬度、解析度一起平衡放大。

EfficientNet 的價值就在這裡:用比較聰明的縮放方式,讓模型在準確度和效率之間拿到更好的平衡。

記住這句

不是把網路堆更大,而是把每個維度一起放到剛剛好。

比喻:EfficientNet 就像一個精打細算的廚師,懂得同時調整食譜的食材份量、烹飪時間和爐火大小,讓每道菜都能在美味和成本之間找到最棒的平衡。

容易混淆

EfficientNet vs 一般 CNN

一般 CNN 常只加深或加寬,成本容易一路上升。

EfficientNet 用複合縮放,同時調深度、寬度與影像解析度。

最關鍵的區別:是不是用平衡方式放大模型。

EfficientNet vs MobileNet

MobileNet 主打輕量化,重點是能跑得動。

EfficientNet 也重視效率,但更強調在相同算力下拿到更好的準確率。

最關鍵的區別:一個偏極致輕量,一個偏效能平衡。

EfficientNet vs 模型壓縮

模型壓縮是把既有模型變小。

EfficientNet 是在設計架構時就把效率放進去。

最關鍵的區別:是事後縮小,還是從一開始就設計好。

實際案例

手機相簿自動分類

相簿 App 要分辨食物、風景、人像,但手機算力有限。

Before:用大 CNN,速度慢又耗電。After:用 EfficientNet 小型版本,速度和準確率都比較均衡。

雲端圖片搜尋

平台需要處理大量圖片,比起最重的模型,更需要高性價比的模型。

Before:只追求最高分數。After:用 EfficientNet 把準確率和推論成本一起考慮。

演算法與應用

EfficientNet 的核心是複合縮放:不是只拉深度或寬度,而是用固定比例同時調整三個維度。

它常搭配 MBConv 與 SE 模組,這些模組能在較少計算量下保留辨識能力。

如果你要做遷移學習,EfficientNet 也是很常見的預訓練骨幹。

情境判斷

Q1(直覺題): 你的模型要放進手機 App,又不能太慢。你會先看什麼?

先看 EfficientNet 這類平衡型架構,而不是只把普通 CNN 一路加深。它本來就是為了在資源受限時維持表現。

Q2(判斷題): 如果你只是想把模型變小,EfficientNet 就一定適合嗎?

看情況。若你已經有很成熟的模型,模型壓縮可能更直接;如果你要從架構設計就顧效率,EfficientNet 更有用。

常見問題

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本