1. 퍼셉트론(뉴런) 개수
EfficientNet V2는 전통적인 완전연결 신경망(MLP)과 달리, 합성곱 신경망(CNN) 구조입니다.
- 각 레이어는 “퍼셉트론”이라기보다는 채널(channel, filter)과 합성곱 연산으로 구성됩니다.
- 각 합성곱 레이어의 출력 feature map의 채널 수가 일종의 “뉴런” 역할을 합니다.
- EfficientNet V2-S 예시:
- 첫 레이어: 24채널
- 이후 각 블록마다 채널 수가 다름 (예: 24, 48, 64, 128, 160, 256 등)[1][2][3].
정확한 “퍼셉트론 개수”는 MLP처럼 한눈에 계산하기 어렵고,
대신 각 레이어별 채널 수와 feature map 크기의 곱으로 생각할 수 있습니다.
2. 전체 파라미터 수
EfficientNet V2의 전체 파라미터 수는 모델의 크기(variant)에 따라 다릅니다.
| 모델명 | 전체 파라미터 수 (백만 단위) |
|---|---|
| EfficientNetV2-S | 약 20.3M |
| EfficientNetV2-M | 약 53.1M |
| EfficientNetV2-L | 약 117.7M |
| EfficientNetV2-B0 | 약 5.9M |
| EfficientNetV2-B1 | 약 6.9M |
| EfficientNetV2-B2 | 약 8.8M |
| EfficientNetV2-B3 | 약 12.9M |
- 예를 들어 EfficientNetV2-S는 약 2,033만 개의 파라미터를 가집니다[2][4].
3. 이미지 입력 시 파라미터 수
- 입력 이미지 크기는 모델마다 다르지만, EfficientNetV2-S의 경우 최대 300×300 또는 384×384 픽셀까지 지원합니다[5][4].
- 입력 이미지의 크기나 채널 수(예: RGB 3채널)는 모델 파라미터 수에 영향을 주지 않습니다.
즉, 이미지가 들어가도 모델의 파라미터 수는 고정입니다.
요약
- EfficientNet V2에서 “퍼셉트론 개수”는 전통적 의미와 다르며, 각 합성곱 레이어의 채널 수와 feature map 위치 수의 곱으로 생각할 수 있습니다.
- EfficientNetV2-S 기준 전체 파라미터 수는 약 2,033만 개입니다[2][4].
- 입력 이미지가 들어와도 파라미터 수는 변하지 않습니다.
EfficientNetV2-S의 전체 파라미터 수는 약 20.3M(2,033만 개)이며,
퍼셉트론 개수는 합성곱 레이어별 채널 수와 feature map 크기에 따라 다르게 해석됩니다[2][4][3].
출처
[1] [PDF] EfficientNetV2: Smaller Models and Faster Training – arXiv https://arxiv.org/pdf/2104.00298.pdf
[2] EfficientNetV2 models – Keras https://keras.io/api/keras_cv/models/backbones/efficientnetv2/
[3] [Image recognition] EfficientNetV2 : Smaller Models and Faster … https://leechanhyuk.github.io/paper_review/EfficientNet-V2/
[4] efficientnet-v2-s – OpenVINO™ documentation https://docs.openvino.ai/2023.3/omz_models_model_efficientnet_v2_s.html
[5] Input dimensions for the EfficientNetV2 family of models https://datascience.stackexchange.com/questions/122981/input-dimensions-for-the-efficientnetv2-family-of-models
[6] EfficientNetV2 | pytorch-image-models – Weights & Biases – Wandb https://wandb.ai/wandb_fc/pytorch-image-models/reports/EfficientNetV2–Vmlldzo2NTkwNTQ
[7] EfficientNetV2 – Smaller Models and Faster Training | Paper explained https://www.youtube.com/watch?v=CTsSrOKSPNo
[8] STMicroelectronics/efficientnetv2 · Hugging Face https://huggingface.co/STMicroelectronics/efficientnetv2
[9] EfficientNet-V2-s https://aihub.qualcomm.com/models/efficientnet_v2_s
[10] EfficientNetV2 Explained – Papers With Code https://paperswithcode.com/method/efficientnetv2
[11] EfficientNetV2 B0 to B3 and S, M, L – Keras https://keras.io/api/applications/efficientnet_v2/
[12] EfficientNet V2 For Tensorflow2 – NVIDIA NGC https://catalog.ngc.nvidia.com/orgs/nvidia/teams/dle/resources/efficientnet_v2_tf2
[13] what is the number of layers in EfficientNetB2? – Stack Overflow https://stackoverflow.com/questions/70554242/what-is-the-number-of-layers-in-efficientnetb2
[14] EfficientNet V2 For Tensorflow2 | NVIDIA NGC https://catalog.ngc.nvidia.com/orgs/nvidia/teams/dle/resources/efficientnet_v2_tf2/performance
[15] [PDF] Efficient Scaling of Neurons for Resource-Constrained Deep Neural … https://openaccess.thecvf.com/content_CVPR_2020/papers/Lee_NeuralScale_Efficient_Scaling_of_Neurons_for_Resource-Constrained_Deep_Neural_Networks_CVPR_2020_paper.pdf
[16] Image classification via fine-tuning with EfficientNet – Keras https://keras.io/examples/vision/image_classification_efficientnet_fine_tuning/
[17] Retraining an Image Classifier (EfficientNet v2) – Kaggle https://www.kaggle.com/code/kerneler/retraining-an-image-classifier-efficientnet-v2
[18] efficientnet_v2_l — Torchvision main documentation http://docs.pytorch.org/vision/main/models/generated/torchvision.models.efficientnet_v2_l.html
[19] EfficientNet-V2 Trained on ImageNet-21K – Wolfram Resource System https://resources.wolframcloud.com/NeuralNetRepository/resources/062163e5-2de3-4041-98c8-acd0aa21306a/
답글 남기기