---
title: "高效網路（EfficientNet）"
slug: efficientnet
language: zh-TW
source: https://aiterms.tw/terms/efficientnet
updated_at: 2026-04-29
tags: [深度學習, 電腦視覺, 模型訓練, 模型評估, 遷移學習, 最佳化, 神經網路]
ipas_term: false
---

# 高效網路（EfficientNet）

> **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

> **Q：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。
>
> **Q：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。
>
> **Q：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。

### 相關術語

> - **卷積神經網路**：EfficientNet 本質上還是 CNN，先有這個底才看得懂它的改良。
> - **MobileNet**：兩者都在做輕量化，拿來對照最容易看出取捨。
> - **模型壓縮**：部署到邊緣裝置時，這個概念幾乎一定會一起出現。
> - **神經架構搜尋**：EfficientNet 的架構設計思路和 NAS 連得很緊。
> - **電腦視覺**：它最常落地的場景就是影像分類、偵測和辨識。

---

來源：https://aiterms.tw/terms/efficientnet
快查頁：https://aiterms.tw/terms/efficientnet
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-efficientnet