الشبكات العصبية المتلافهة الرئيسية الفائزة، مثل AlexNet و VGGNet و ResNet و GoogleNet، تحتوي على ملايين المعلمات التي تتراوح بين العشرات والمئات، مما يفرض أعباءً حسابية وذاكرة كبيرة. هذا يحد من استخدامها العملي في التدريب والتحسين وكفاءة الذاكرة. بالمقابل، تعاني الأطر الخفيفة المقترحة لحل هذه المشكلة بشكل رئيسي من الدقة المنخفضة. تعود هذه الكفاءات غير المثلى في الغالب إلى اتباع إجراء عشوائي. نقترح هندسة بسيطة تسمى SimpleNet (شبكة بسيطة) تستند إلى مجموعة من مبادئ التصميم، حيث نظهر عملياً أن هندسة مصممة بدقة ولكن بسيطة ومعقولة العمق يمكن أن تؤدي بنفس مستوى الأداء للهياكل الأكثر عمقاً وتعقيداً. توفر شبكة SimpleNet توازناً جيداً بين كفاءة الحساب والذاكرة والدقة. أثبتت هندستنا البسيطة ذات 13 طبقة أنها تتفوق على معظم الهياكل الأكثر عمقاً وتعقيداً حتى الآن مثل VGGNet و ResNet و GoogleNet في عدة مقاييس معروفة بينما تحتوي على عدد أقل من المعلمات والعمليات بمقدار 2 إلى 25 مرة. هذا يجعلها ملائمة للغاية لأنظمة الإMBEDDED أو الأنظمة ذات القيود الحسابية والذاكرة. حققنا أفضل النتائج المعروفة حتى الآن على CIFAR10 بتفوقنا على العديد من الهياكل الأثقل، وأقرب ما يكون لأفضل النتائج المعروفة على MNIST، ونتائج تنافسية على CIFAR100 و SVHN. كما تفوقنا على الهياكل الأكبر والأعمق مثل VGGNet وأنواع شائعة من ResNets وغيرها في مجموعة بيانات ImageNet. يمكن الوصول إلى النماذج عبر الرابط: https://github.com/Coderx7/SimpleNet