郭一璞 发自 凹非寺
量子位 报道
谷歌上个月底提出的EfficientNet开源缩放模型，在ImageNet的准确率达到了84.1%，超过Gpipe，已经是当前的state-of-the-art了。
出炉没几天，官方TensorFlow版本在GitHub上就有了1300+星。
现在，哈佛数学系小哥哥Luke Melas-Kyriazi开源了自己的PyTorch实现，包含与训练模型和Demo。
帖子一出，就收到了众多PyTorch用户的欢迎，在Reddit上拿到了超过170个点赞，不少用户都准备上手尝试了：
等不及想把它merge到torchvision里！
在GitHub上也登上了热榜。
甚至，这个PyTorch实现还在隔壁岛国的收到了热烈欢迎。
啥是EfficientNet
EfficientNets是一种新的模型缩放方法，准确率比之前最好的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。
用复合缩放（compound scaling）的方法，与缩放神经网络的传统方法不同，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。
安装使用方式
可以使用pip安装
1pip install efficientnet_pytorch
或者用源代码安装
1git clone https://github.com/lukemelas/EfficientNet-PyTorch
2cd EfficientNet-Pytorch
3pip install -e .
加载EfficientNet
1from efficientnet_pytorch import EfficientNet
2model = EfficientNet.from_name(‘efficientnet-b0’)
加载预训练模型
1from efficientnet_pytorch import EfficientNet
2model = EfficientNet.from_pretrained(‘efficientnet-b0’)
模型具体详情：
有Demo
Luke还准备了一份Colab笔记本Demo。
示例中，先悄咪咪的扔一只胖达。
嘿，果然认出来是胖达。
传送门
GitHub
https://github.com/lukemelas/EfficientNet-PyTorch
Google原论文
EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
Mingxing Tan, Quoc V. Le
https://arxiv.org/abs/1905.11946
Colab Demo
https://colab.research.google.com/drive/1Jw28xZ1NJq4Cja4jLe6tJ6_F5lCzElb4
— 完 —