文章链接：
https://arxiv.org/pdf/1905.11946v2.pdf
motivation
在计算资源受限的情况下，科学家们往往需要精心设计网络模型。在往计算能力更强的计算环境进行迁移时，我们需要增加模型的运算量来提升模型精度，充分利用计算资源。
innovation
一般常见的方法在模型宽度 , 模型深度
, 模型输入
上进行研究。本文综合考虑了三个方面，提出了简单而有效的compund coefficient方法。
问题定义
一般的神经网络模型由多个相似的stage组成（如ResNet），每个stage中又包含一些常见操作（conv，bn，relu等），因此一般的模型可以描述为：
在不改变模型结构的前提下，要扩大模型计算量，我们需要在模型宽度 , 模型深度
, 模型输入
进行考虑，形式定义如下：
两个发现
1 单独改变三个变量中的一个，准确率的增益会逐渐变小甚至消失。
2 为了更好地平衡准确率和效率，需要平衡地改动三个变量。
发现一
发现二
Compound Scaling Method
该文章提出了一个准则，只需要按照这个准则，就可以非常有限地扩大网络：
是用于控制网络计算量的，扩大后的网络计算量为原始网络的
倍。
实验结果
最后文章在ResNet，mobileNet以及自己搜出的网络结构上进行了实验，实验结果比较好。进行的实验较多，这里就不贴图了。感兴趣的朋友可以去看原文
我的看法
其实本人并没有在这个领域有过研究，只是这篇文章在 Arxiv Sanity上排名较高，所以拿过来读一读。知乎上的大佬们对这个有比较深入的探讨，大家可以读一读。
研究生已经过去一年了，自己还是一事无成。希望能通过这第一篇博客，养成自己规律读论文并总结的习惯。路漫漫其修远兮，吾将上下而求索。
