01
引言
在看论文时,经常会看到计算CNN的parameters、FLOPs等评价指标,用来评价神经网络在推理运算上的速度与性能。本文将要来一一介绍这些指标以及相应的计算公式。
02
参数量定义
02
参数量计算举例
接下来我们来看个具体的例子吧,假设input feature map的维度为5× 5× 3、kernel数量为7个且kernel size为3× 3、output feature map的维度为3× 3× 7,这样一层的计算量为3× 3× 3× 7 + 7 = 196。
03
参数量计算实操
Parameters可以使用pytorch library torchinfo来进行计算,示例代码如下 输出如下 04 FLOPs定义 FLOPs全名为floating point operations(浮点数的运算数),指模型前向传播的计算量、计算速度,用于衡量模型的复杂度。 05 FLOPs计算示例 FLOPs的计算分为卷积核权重与bias两部分(Wx+b),令input feature map的维度为H_in× W_in× C_in、kernel size为K_h× K_w,且总共有C_out个kernel、output feature map的维度为H_out× W_out× C_out。# 安裝 torchinfo
$ pip install torchinfo
# ================================
from torchinfo import summary
import torch
import torch.nn as nn
# 自定义模型
class MyModel(nn.Module):
def __init__(self, in_channels, out_channels):
super(MyModel, self).__init__()
self.layer = nn.Conv2d(in_channels, out_channels, (3, 3))
def forward(self, x):
x = self.layer(x)
model = MyModel(3, 7)
batch_size = 16
summary(model, input_size=(batch_size, 3, 5, 5))
❗ 值得注意的是FLOPs与FLOPS(floating point operations per second)不同,
全大写的FLOPS是指每秒浮点数的运算次数,用于衡量硬件性能。
接着是bias的计算量,bias只有加法的计算,在进行一次卷积运算时,若有bias则加1。因此考虑有bias后卷积层的计算量为(K_h× K_w× C_in)次乘法+(K_h× K_w× C_in -1 +1)次加法= 2× K_h× K_w× C_in。
因此输出feature map的总计算量就会是2× K_h× K_w× C_in× H_out× W_out× C_out。
上述过程,使用公式表示如下
06
总结
您学废了嘛?
点击上方小卡片关注我
万水千山总关情,点个在看行不行。
联系客服