模型计算力（flops）和参数（parameters）

提纲：

Ø 参数量

Ø FLOPS\FLOPs\GFLOPs

Ø 浮点运算和参数量的区别

Ø 不能绝对的用FLOPs作为速度衡量的原因——MAC\并行度\平台

参数量：

CNN:

一个卷积核的参数 = k*k*Cin+1

一个卷积层的参数 = (一个卷积核的参数)*卷积核数目=k*k*Cin*Cout+Cout

FLOPS:

注意：全大写，是floating point operations per second的缩写，意指每秒浮点运算次数，理解为计算速度。是一个衡量硬件性能的指标。

FLOPs:

注意s小写，是floating point operations的缩写（s表复数），意指浮点运算数，理解为计算量。可以用来衡量算法/模型的复杂度。

但是关于FLOPs的公式花样百出，不过大致形式都差不多，没有找到特别统一的说法。

CNN的FLOPs：

Ci、Co表示输入和输出通道，K卷积核大小，HW是输出的feature map大小。其中括号中的式子这样理解：

左边是乘法运算量，右边是加法运算量,因为n个数字要加n-1次，所以有个-1.这里忽略了bais如果算上bais需要把-1去掉。

论文里应该是把n个累加直接当成加n次，还算上了个bais

简单用代码实验了下，如下图：

Flops：44,158,464 = 222*222*(3*3*3+1)*32

params：896 = 3*3*3*32

推算了下它的公式FLOPs = H*W*(K*K*Cin+1)*Cout （又是不一样的！）

FullyConnect的FLOPs：

I输入神经元数目，O输出神经元个数。同理，考虑bais没有-1

GFLOPs：

这其实是一个单位，1GLOPs=10亿次浮点运算。是Paper里比较流行的单位。

浮点运算量和参数量的区别：

浮点运算量是实际运算过程中的加减乘除计算过程中的计算次数，描述计算力；

参数量只是指的模型大小，和输入的图片大小无关，描述需要内存

不能只用FLOPs作为网络速度的指标。

FLOPs没有考虑几个对速度有相当大影响的重要因素——MAC\并行度\平台

比如：MAC(内存访问成本)，计算机在进行计算时候要加载到缓存中，然后再计算，这个加载过程是需要时间的。其中，分组卷积（group convolution）是对MAC消耗比较多的操作（例如AlexNet多GPU）。

k*k普通卷积（不算bais）的FLOPs和MAC：

FLOPs = 2*h2*w2*k*k*c1*c2

MAC=输入+输出+权重参数=h1*w1*c1+h2*w2*c2+c1*c2*k*k

普通卷积和分组卷积的参数量：

1*1卷积普通卷积：

结论：FLOPs一定时，当且仅当c1=c2，MAC越小。

1*1分组卷积：

结论：B不变，g越大MAC越大

第二个对速度有相当大影响的重要因素就是模型的并行度。

在相同的FLOPs下，具有高并行度的模型可能比具有低并行度的另一个模型快得多。如果网络的并行度较高，那么速度就会有显著的提升。

3.计算平台的不同

不同的运行平台，得到的FLOPs也不相同。有的平台会对操作进行优化，比如：cudnn加强了对3×3conv计算的优化。这样一来，不同平台的FLOPs大小确实没有什么说服力。

Ref:

https://arxiv.org/abs/1611.06440v2