一、引言在深度学习的发展历程中，网络结构的设计一直是研究的核心问题。从AlexNet、VGGNet到ResNet、DenseNet，研究者们通过手工设计出了越来越高效的网络结构。然而，手工设计网络结构需要丰富的经验和大量的试错，而且很难保证找到最优的结构。神经架构搜索（Neural Architecture Search, NAS）的出现改变了这一局面。NAS通过自动搜索的方式，在巨大的搜索空间中寻找最优的网络结构。早期的NAS方法（如NASNet）计算量极大，需要数千块GPU训练数千个模型，难以在实际中应用。后续的工作（如EfficientNet、MobileNetV3）虽然在一定程度上降低了搜索成本，但搜索空间的设计仍然依赖于人工经验。RegNet（Designing Network Design Spaces）由Facebook AI Research于2020年提出，是一种全新的网络设计思路。与传统NAS直接搜索单个最优网络不同，RegNet首先定义了一个参数化的网络设计空间（Design Space），然后通过对大量随机采样的网络进行分析，总结出网络结构的设计规律，最终得到一组简单的设计准则，用于生成不同计算量下的最优网络结构（RegNetX和RegNetY系列）。RegNet的核心发现包括：网络的宽度应该随着深度呈指数增长（而不是线性增长）每个阶段的块数应该相对较少（2-5块）瓶颈比率（bottleneck ratio）应该固定为1/4分组宽度（group width）也应该随着深度指数增长将RegNet应用于YOLOv8的