你有沒有遇過，想把影像模型放到手機上，卻又不想準確率掉太多？
你可以把它想成，模型不是只拼命變深或變寬，而是把深度、寬度、解析度一起平衡放大。
EfficientNet 的價值就在這裡：用比較聰明的縮放方式，讓模型在準確度和效率之間拿到更好的平衡。
容易混淆
EfficientNet vs 一般 CNN 一般 CNN 常只加深或加寬，成本容易一路上升。 EfficientNet 用複合縮放，同時調深度、寬度與影像解析度。 最關鍵的區別：是不是用平衡方式放大模型。
EfficientNet vs MobileNet MobileNet 主打輕量化，重點是能跑得動。 EfficientNet 也重視效率，但更強調在相同算力下拿到更好的準確率。 最關鍵的區別：一個偏極致輕量，一個偏效能平衡。
EfficientNet vs 模型壓縮 模型壓縮是把既有模型變小。 EfficientNet 是在設計架構時就把效率放進去。 最關鍵的區別：是事後縮小，還是從一開始就設計好。
記住這句就好
不是把網路堆更大，而是把每個維度一起放到剛剛好。
實際案例
手機相簿自動分類 相簿 App 要分辨食物、風景、人像，但手機算力有限。 Before：用大 CNN，速度慢又耗電。After：用 EfficientNet 小型版本，速度和準確率都比較均衡。
雲端圖片搜尋 平台需要處理大量圖片，比起最重的模型，更需要高性價比的模型。 Before：只追求最高分數。After：用 EfficientNet 把準確率和推論成本一起考慮。
算法與應用
EfficientNet 的核心是複合縮放：不是只拉深度或寬度，而是用固定比例同時調整三個維度。
它常搭配 MBConv 與 SE 模組，這些模組能在較少計算量下保留辨識能力。
如果你要做遷移學習，EfficientNet 也是很常見的預訓練骨幹。
情境判斷
Q1（直覺題）： 你的模型要放進手機 App，又不能太慢。你會先看什麼？
→ 先看 EfficientNet 這類平衡型架構，而不是只把普通 CNN 一路加深。它本來就是為了在資源受限時維持表現。
Q2（判斷題）： 如果你只是想把模型變小，EfficientNet 就一定適合嗎？
→ 看情況。若你已經有很成熟的模型，模型壓縮可能更直接；如果你要從架構設計就顧效率，EfficientNet 更有用。
常見問題
EfficientNet 的複合縮放是什麼？
它是同時調整深度、寬度和解析度的方法，不是只往單一方向加大模型。
MBConv 在裡面做什麼？
它是 EfficientNet 的核心模組之一，用較少計算量保留特徵表達能力。
EfficientNet 只能用在分類嗎？
不只。它也常被拿來當特徵抽取骨幹，接到其他電腦視覺任務上。