卷积神经网络（CNN）通常以固定的资源成本开发，然后按比例放大，以便在获得更多资源时实现更好的准确性。例如，ResNet 可以通过增加层数从 ResNet-18 扩展到 ResNet-200，最近，GPipe 通过将基线 CNN 扩展四倍来实现 84.3％ImageNet top-1 准确度。模型缩放的传统实践是任意增加 CNN 深度或宽度，或者使用更大的输入图像分辨率进行训练和评估。虽然这些方法确实提高了准确性，但它们通常需要繁琐的手动调整，并且仍然经常产生次优的性能。相反，如果能找到更有原则的方法来扩大 CNN 以获得更好的准确性和效率呢？ 在谷歌最新的 ICML 2019 论文「EfficientNet：重新思考卷积神经网络的模型缩放」中，研究员提出了一种新颖的模型缩放方法，该方法使用简单但高效的复合系数以更结构化的方式扩展 CNN。与任意缩放网络尺寸的传统方法（例如宽度，深度和分辨率）不同，谷歌的方法使用固定的缩放系数集合均匀地缩放每个维度。借助这种新颖的缩放方法和 AutoML 的最新进展，谷歌开发了一系列称为 EfficientNets 的模型，它超越了最先进的精度，效率提高了 10 倍（更小，更快）。