谷歌开源缩放模型EfficientNets:ImageNet准确率创纪录,效率提高10倍

谷歌开源缩放模型EfficientNets:ImageNet准确率创纪录,效率提高10倍

 

 

 

 

谷歌开源缩放模型EfficientNets:ImageNet准确率创纪录,效率提高10倍_第1张图片

最近,谷歌基于AutoML开发了EfficientNets,这是一种新的模型缩放方法。它在ImageNet测试中实现了84.1%的准确率,再次刷新了纪录。

虽然准确率只比之前最好的Gpipe提高了0.1%,但是模型更小更快,参数的数量和FLOPS都大大减少,效率提升了10倍!

开发EfficientNets是来自谷歌大脑的工程师Mingxing Tan和首席科学家Quoc V. Le,他们的文章《EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks》已经被ICML 2019收录,并在GitHub上开源了模型。

 

谷歌开源缩放模型EfficientNets:ImageNet准确率创纪录,效率提高10倍_第2张图片

实现方法

传统提高CNN准确率的方法有:增加网络的深度或宽度,例如通过增加层数将ResNet-18可扩展到ResNet-200,或者是提高输入图片分辨率来训练和评估网络。

虽然这些方法确实提高了准确率,但是通常需要繁琐的手动调整,而且经常不能获得最优的性能。

最近谷歌提出了一种复合缩放(compound scaling)的方法,与缩放神经网络的传统方法不同,谷歌的方法使用一组固定的缩放系数统一缩放每个维度。

实现复合缩放的首先是执行网格搜索,以在固定资源约束下找到基线网络(baseline model)的不同缩放维度之间的关系,确定每个维度的缩放比例系数。然后将这些系数将应用于基线网络,扩展到所需的目标模型大小或计算力。

模型缩放的有效性也在很大程度上依赖于基线网络。因此,为了进一步提高性能,谷歌还使用AutoML MNAS框架优化了模型的准确率和效率,执行神经架构搜索来开发新的基线网络。

 

谷歌开源缩放模型EfficientNets:ImageNet准确率创纪录,效率提高10倍_第3张图片

性能表现

EfficientNet模型实现了比现有CNN更高的精度和更高的效率,将参数数量和FLOPS降低了一个数量级。

特别需要指出的是,EfficientNet-B7在ImageNet上实现了目前最先进的测试结果,准确度为84.4%(top-1)和97.1%(top-5),同时比现有最好的Gpipe小了8.4倍,推理速度快6.1倍。

 

谷歌开源缩放模型EfficientNets:ImageNet准确率创纪录,效率提高10倍_第4张图片

在同等算力的条件下,EfficientNet也有更好的表现。与ResNet-50相比,EfficientNet-B4的准确率为76.3%,比ResNet-50的82.6%高出6.3个百分点。

 

谷歌开源缩放模型EfficientNets:ImageNet准确率创纪录,效率提高10倍_第5张图片

EfficientNets不仅在ImageNet上表现良好,迁移到其他数据集上也有优秀的表现。为了评估这一点,谷歌在8个广泛使用的迁移学习数据集上测试了EfficientNets,其中5个实现了最先进的准确度。它在CIFAR-100上准确度为91.7%,在Flowers上为98.8%,同时参数减少了21倍。

 

谷歌开源缩放模型EfficientNets:ImageNet准确率创纪录,效率提高10倍_第6张图片

传送门

博客地址:
https://ai.googleblog.com/2019/05/efficientnet-improving-accuracy-and.html

开源地址:
https://arxiv.org/abs/1905.11946

深度学习 加群264191384 注明(csdn)

-谷歌开源缩放模型EfficientNets:ImageNet准确率创纪录,效率提高10倍_第7张图片

你可能感兴趣的:(谷歌开源缩放模型EfficientNets:ImageNet准确率创纪录,效率提高10倍)