在这项工作中，我们介绍了一系列的架构修改，旨在提高神经网络的准确性，同时保持他们的GPU训练和推理效率。我们首先演示和讨论由flops优化引起的瓶颈。然后，我们建议更好地利用GPU结构和资产的替代设计。最后，我们介绍了一种新的GPU专用模型，称为TResNet，它比以前的ConvNets具有更好的准确性和效率。使用TResNet模型，与ResNet50的GPU吞吐量相似，在ImageNet上达到80.7%的top-1精度。我们的TResNet模型也能很好地传输竞争数据集，并达到最先进的精度，如Stanford cars(96.0%)、CIFAR-10(99.0%)、CIFAR-100(91.5%)和牛津花卉(99.1%)。实现可在:这个

https://github.com/mrT23/TResNet