CondConv:用于高效推理的条件参数化卷积
论文地址：https://arxiv.org/pdf/1904.04971.pdf
代码地址：https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet/condconv
卷积层是现代深度神经网络的基本构建模块之一。其中一个基本假设是，卷积核应该对数据集中的所有样例进行共享。我们提出了条件参数化卷积(ConvConv)，该方法可以为每个样例学习专门的卷积核。使用CondConv替换传统卷积可以增加网络的规模和容量，同时保持高效的推理。我们展示了使用CondConv来扩大网络规模可以改进现有卷积神经网络架构在分类和检测任务上的性能和推理代价的平衡。在ImageNet分类任务中，我们将CondConv应用于EfficientNet-B0，仅使用413M个乘加操作就实现了78.3％的准确率，达到了最先进的性能水平。