卷积神经网络（ConvNets）通常在固定的资源预算下开发，然后在有更多资源可用时进行扩展以提高精度。本文系统地研究了模型扩展，并发现仔细平衡网络深度、宽度和分辨率可以带来更好的性能。基于这一观察，我们提出了一种新的扩展方法，该方法使用一个简单但非常有效的复合系数来均匀地扩展深度、宽度和分辨率的所有维度。我们在扩大MobileNets和ResNet方面展示了这种方法的有效性。为了进一步提升性能，我们利用神经架构搜索设计了一个新的基线网络，并将其扩展以获得一系列模型，称为EfficientNets，这些模型在准确性和效率上均显著优于以往的ConvNets。特别是，我们的EfficientNet-B7在ImageNet数据集上达到了最先进的84.3%的Top-1精度，同时其规模比现有的最佳ConvNet小8.4倍，推理速度也快6.1倍。此外，我们的EfficientNets在网络迁移学习中表现优异，在CIFAR-100（91.7%）、Flowers（98.8%）和其他三个迁移学习数据集上均达到了最先进的精度，参数量却减少了数量级。源代码位于https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet。