Skip to the content.

最終更新日:2026年9月23日

まず結論

EfficientNetは、CNNを大きくするときに、

  • 深さ(depth)
  • 幅(width)
  • 入力解像度(resolution)

をまとめてバランスよく拡張するCompound Scalingを提案したモデルです。

G検定では、3要素を同時に調整することが最大の判断軸です。

直感的な説明

CNNを高性能化する方法には、

  • 層を増やす
  • チャネル数を増やす
  • 入力画像を大きくする

などがあります。

EfficientNetでは、どれか1つだけを増やすのではなく、

3つを一定の比率で一緒にスケールする

考え方を使います。

定義・仕組み

EfficientNetでは、ベースとなるEfficientNet-B0を作り、Compound Scalingを使ってB1、B2…へ拡張します。

Compound Scaling

計算資源を増やすときに、

  • depth
  • width
  • resolution

をあらかじめ決めた係数に従って同時に増やします。

重要なのは、

EfficientNet=単に深いCNN

ではないことです。

原論文ではB0の設計にNeural Architecture Searchも利用されています。

いつ使う?(得意・不得意)

EfficientNetは画像分類を中心に提案され、効率のよい画像特徴抽出器として他タスクにも利用できます。

ただし、

ResNet=深さだけ

WideResNet=幅だけ

EfficientNet=3つ

という比較は、試験用の直感としては使えても、各モデルの設計全体を完全に表すものではありません。

G検定ではCompound ScalingというEfficientNet固有の考え方を見つけることを優先します。

G検定ひっかけポイント

EfficientNetの特徴

❌ 入力解像度だけを上げる
❌ ネットワークの深さだけを増やす
⭕ 深さ・幅・解像度をまとめてスケール

時系列モデル?

❌ RNNやTransformer系の系列モデル
⭕ 画像認識向けCNNとして提案されたモデル

B0〜B7

❌ 別々の無関係なモデル
⭕ B0を基準にスケーリングしたモデル群

まとめ(試験直前用)

  • EfficientNet=Compound Scaling
  • depth・width・resolution
  • 3つをバランスよく拡張
  • B0を基準にモデル群を構成
  • CNN系画像モデル
  • 「何を同時にスケールするか」で切る

参考資料

© 2024-2026 stemtazoo. All rights reserved.