Googleの研究者が開発したモデル。
従来のCNNでは、CNNの幅、深さ、画像の解像度などのネットワークの次元を任意の大きさに適当に決めていた。

●幅（Width）
　１レイヤー当たりのニューロン（ユニット）の数を増やす。
　ニューロンの数を増やすことで、より細かい特徴表現ができるようになり、学習を高速化できる。
　　深さに対してニューロンが多すぎると、高度な特徴表現ができにくくなる。

●深さ（Depth）
　レイヤーの数。
　ネットワークを深くすることで、表現力を高くし、複雑な特徴表現を獲得できる。

●入力画像の解像度（Resolution）
　高解像度の入力画像を用いると、詳細なパターンを見出しやすくなる。

ICML2019で発表された論文（EfficientNet：Rethinking Model Scaling for Convolutional Neural Networks）において、幅、深さ、解像度などをそれぞれ何倍に増やすかを複合係数（Compound Coefficient）という係数を導入することで最適化し、CNNをスケールアップするというモデルスケーリングの法則が提案された。
この手法が、EfficientNetの開発につながった。

EfficientNetでは、複合係数に基づいて、深さや広さ、解像度を最適化しながらスケール調整することで、小さなモデルで効率よく高い精度を達成している。
従来モデルよりもパラメーター数を激減させることに成功したことになる。
効率も数倍速くなった。
EfficientNetはオープンソースで公開されている。