为移动设备设计卷积神经网络（CNN）是一项挑战，因为移动模型需要既小巧又快速，同时还要保持高精度。尽管在设计和改进移动CNN的所有方面已经投入了大量努力，但在考虑众多架构可能性时，手动平衡这些权衡仍然非常困难。在本文中，我们提出了一种自动化的移动神经架构搜索（MNAS）方法，该方法明确地将模型延迟纳入主要目标，以便搜索能够找到在精度和延迟之间具有良好平衡的模型。与以往通过另一个通常不准确的代理指标（例如FLOPS）来考虑延迟的方法不同，我们的方法直接通过在手机上执行模型来测量实际的推理延迟。为了进一步在灵活性和搜索空间大小之间取得恰当的平衡，我们提出了一种新的分层因子化搜索空间，鼓励网络各层之间的多样性。实验结果表明，我们的方法在多个视觉任务中始终优于最先进的移动CNN模型。在ImageNet分类任务中，我们的MnasNet实现了75.2%的Top-1精度，在Pixel手机上的延迟为78毫秒，比MobileNetV2 [29]快1.8倍且精度高出0.5%，比NASNet [36]快2.3倍且精度高出1.2%。我们的MnasNet还在COCO目标检测任务中实现了比MobileNets更高的mAP质量。代码位于https://github.com/tensorflow/tpu/tree/master/models/official/mnasnet。