本文主要是介绍轻量级模型解读——EfficientNet系列，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
EfficientNet自2019年谷歌提出以来，经历了三个版本，2019EfficientNet ——> 2020EfficientNet-Lite——> 2021EfficientNetv2
文章目录
- 1、EfficientNet
- 2、EfficientNetv2
- 3、EfficientNet-Lite
对于EfficientNet和EfficientNetv2的解读可见另外两篇博客：
EfficientNet论文解读，EfficientNetv2论文解读。
严格来说，我们现在讨论的轻量级模型，只有EfficientNet-b0/b1/b2/b3，EfficientNetv2-b0/b1/b3/S以及专门针对移动端改进的EfficientNet-Lite属于轻量级模型这个标准。它们汇总的参数及ImageNet数据集上的表现如下：
1、EfficientNet
见博客EfficientNet论文解读
2、EfficientNetv2
见博客EfficientNetv2论文解读
3、EfficientNet-Lite
Tensorflow博客上关于EfficientNet-lite的介绍：https://blog.tensorflow.org/2020/03/higher-accuracy-on-vision-models-with-efficientnet-lite.html
2020年3月中旬，谷歌同时在GitHub和TFHub上发布了EfficientNet-Lite，它运行在TensorFlow Lite上，专为移动CPU, GPU和EdgeTPU的性能而设计。EfficientNet-Lite将EfficientNet的功能带到边缘设备，并提供了五种变体结构，允许用户从低延迟/模型大小选项(EfficientNet-Lite0)到高精度选项(EfficientNet-Lite4)进行选择。
为了让模型适配边缘端推理，它相对于原版的EfficientNet做了如下改进：
1、 移除了squeeze-and-excite (SE)，因为某些移动加速器不支持；
2、 用ReLU6激活函数替换所有的swish激活函数，以便于后量化；
3、 为了让模型尽量小而快，在缩放模型尺度时，固定stem和head部分。
下面是它和其他模型量化后推理时间及ImageNet上top1的比较
EfficientNet-Lite通过缩放得到的各种变体版本的参数量及耗时和ImageNet上top1精度如下表：
参考：
EfficientNet-Lite官方Github链接：https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet/lite
Tensorflow博客：https://blog.tensorflow.org/2020/03/higher-accuracy-on-vision-models-with-efficientnet-lite.html
这篇关于轻量级模型解读——EfficientNet系列的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
