参考文献： 原论文名称：EfficientNetV2: Smaller Models and Faster Training 论文下载地址：https://arxiv.org/abs/2104.00298 原论文提供代码：https://github.com/google/automl/tree/master/efficientnetv2 参考博文：https://blog.csdn.net/qq_37541097/article/details/116933569?spm=1001.2014.3001.5502 参考在bilibili上的讲解视频：https://b23.tv/M4hagB

EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks原文及阅读笔记【https://yidamyth.blog.csdn.net/article/details/122317562】和EfficientNetV2: Smaller Models and Faster Training原文和网上GItHub的torch代码

PyTorch图像模型 赞助商 非常感谢我的的支持！ 除了以上链接的赞助商之外，我还从以下位置获得了硬件和/或云资源： 英伟达（ ） TFRC（ ） 我很幸运能够自己投入大量时间和金钱来支持这个项目和其他开源项目。 但是，随着项目范围的扩大，需要外部支持来继续当前的硬件，基础设施和电力成本轨迹。 什么是新的 2021年5月5日 从添加MLP-Mixer模型和端口预训练权重 从添加CaiT模型和预训练权重 从添加ResNet-RS模型和权重。 添加CoaT模型和权重。 感谢 为TResNet，MobileNet-V3，ViT模型添加新的ImageNet-21k权重和微调的权重。 谢谢 添加GhostNet模型和权重。 谢 更新ByoaNet注意模型 改进SA模块的初始化 将基于实验的独立Swin attn模块和swinnet 实验的一致“ 26t”模型定义。 添加改进的

PyTorch图像模型 赞助商 非常感谢我的的支持！ 除了以上链接的赞助商之外，我还从以下位置获得了硬件和/或云资源： 英伟达（ ） TFRC（ ） 我很幸运能够自己投入大量时间和金钱来支持这个项目和其他开源项目。 但是，随着项目范围的扩大，需要外部支持来继续当前的硬件，基础设施和电力成本轨迹。 什么是新的 2021年5月5日 从添加MLP-Mixer模型和端口预训练权重 从添加CaiT模型和预训练权重 从添加ResNet-RS模型和权重。 添加CoaT模型和权重。 感谢 为TResNet，MobileNet-V3，ViT模型添加新的ImageNet-21k权重和微调的权重。 谢谢 添加GhostNet模型和权重。 谢 更新ByoaNet注意模型 改进SA模块的初始化 将基于实验的独立Swin attn模块和swinnet 实验的一致“ 26t”模型定义。 添加改进的E

EfficientNet PyTorch 快速开始 使用pip install efficientnet_pytorch的net_pytorch并使用以下命令加载经过预训练的EfficientNet： from efficientnet_pytorch import EfficientNet model = EfficientNet . from_pretrained ( 'efficientnet-b0' ) 更新 更新（2021年4月2日） 已发布！ 当您阅读本文时，我正在努力实现它：) 关于EfficientNetV2： EfficientNetV2是卷积网络的新家族，与以前的模型相比，它具有更快的训练速度和更好的参数效率。 为了开发该系列模型，我们将训练感知的神经体系结构搜索和缩放结合使用，以共同优化训练速度和参数效率。 从富含新操作（例如Fused-MBConv）的搜索空

DeepLabV3 + 使用PyTorch的语义分割实现 火车 运行python train.py进行培训 数据集结构（类似于CamVid数据集） ├── Dataset folder ├── train ├── 1111.png ├── 2222.png ├── train_labels ├── 1111_L.png ├── 2222_L.png ├── class_dict.csv 笔记 默认功能提取器是 更改培训配置，更改utils/config.py参数 默认的损失函数是weighted cross entropy

使用PyTorch的实现 火车 通过更改train.py data_dir来修改imagenet路径 python train.py Number of parameters: 23941296 Time per operator type: 1636.49 ms. 79.33%. Conv 247.179 ms. 11.9822%. Sigmoid 141.509 ms. 6.85977%. Mul 17.3817 ms. 0.842592%. Add 12.8334 ms. 0.622111%. FC 7.49557 ms. 0.363354%. ReduceMean 2062.88 ms in Total FLOP per operato