その他層の数も探索空間に入れています。ここで拡張率とは、MBConvの最初のConvでチャネル数を何倍にするかの係数のことで、こちらでより詳しく解説しています。 探索は精度$A$、ステップごとの学習時間$S$、パラメータサイズ$P$を用いて、$A\cdot S^w\cdot P^v$を最大化するように行われます。ここで$w=-0.07, v=-0.05$であり、これらの値は実験的に決定されています。 1.3.2 EfficientNetV2のアーキテクチャ 下表がEfficientNetV2のSサイズのモデルになります。 画像: "EfficientNetV2: Smaller Models and Faster Training", Tan, M., Le, Q., (2021) 比較のためにEfficientNet-B0(i.e. V1)のアーキテクチャも下に載せます。 画像: "Ef
![2021年最強になるか!?最新の画像認識モデルEfficientNetV2を解説 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/15b1b61e757e44a921a852eef5f4b50ccb42a466/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9MjAyMSVFNSVCOSVCNCVFNiU5QyU4MCVFNSVCQyVCNyVFMyU4MSVBQiVFMyU4MSVBQSVFMyU4MiU4QiVFMyU4MSU4QiVFRiVCQyU4MSVFRiVCQyU5RiVFNiU5QyU4MCVFNiU5NiVCMCVFMyU4MSVBRSVFNyU5NCVCQiVFNSU4MyU4RiVFOCVBQSU4RCVFOCVBRCU5OCVFMyU4MyVBMiVFMyU4MyU4NyVFMyU4MyVBQkVmZmljaWVudE5ldFYyJUUzJTgyJTkyJUU4JUE3JUEzJUU4JUFBJUFDJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz02YzA0MTNjN2UxNzQ5NTgwZTYyYjY4NzJkNTc5YTBmOQ%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBvbWlpdGEmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPWQ0ODZlZTMzZjg0NGYwOGYxMTY0MGY2ZTI0NDM1YTUz%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D5e93625183229a62fd5741db8c6d6ca8)