深度学习中参数量与计算量的理解

接下来要分别概述以下内容：

　　１　首先什么是参数量，什么是计算量

　　２　如何计算　参数量，如何统计　计算量

　　３　换算参数量，把他换算成我们常用的单位，比如:mb

　　４　对于各个经典网络，论述他们是计算量大还是参数两，有什么好处

　　５　计算量，参数量分别对显存，芯片提出什么要求，我们又是怎么权衡

 

１　首先什么是计算量，什么是参数量

　　计算量对应我们之前的时间复杂度，参数量对应于我们之前的空间复杂度，这么说就很明显了

也就是计算量要看网络执行时间的长短，参数量要看占用显存的量

 

２　如何计算　参数量，计算量

　　（１）针对于卷积层的

　　

　　　　其中上面的公式是计算时间复杂度(计算量)，而下面的公式是计算空间复杂度(参数量)　

　　　　对于卷积层：

　　　　　　参数量就是　　(kernel*kernel) *channel_input*channel_output

　　　　　　　　kernel*kernel 就是weight * weight

　　　　　　　　其中kernel*kernel ＝　1个feature的参数量

　　　　　　计算量就是　　(kernel*kernel*map*map) *channel_input*channel_output

　　　　　　　　kernel*kernel 就是weight*weight

　　　　　　　　map*map是下个featuremap的大小，也就是上个weight*weight到底做了多少次运算

　　　　　　　　其中kernel*kernel*map*map＝　1个feature的计算量

　　　（２）针对于池化层：

　　　　　　无参数

　　　（３）针对于全连接层：

　　　　　　　　参数量＝计算量＝weight_in*weight_out

 

３　对于换算计算量

　　１一般一个参数是值一个float，也就是４个字节，

　　２1kb=1024字节

４　对于各个经典网络：

　　

　　(1)换算

　　　　以alexnet为例：

　　　　参数量：6000万

　　　　设每个参数都是float,也就是一个参数是4字节，

　　　　总的字节数是24000万字节

　　　　24000万字节= 24000万/1024/1024=228mb

　　(2)为什么模型之间差距这么大

　　　　这个关乎于模型的设计了，其中模型里面最费参数的就是全连接层，这个可以看alex和vgg,

　　　　alex,vgg有很多fc(全连接层)

　　　　resnet就一个fc

　　　　inceptionv1(googlenet)也是就一个fc

　　(3)计算量

　　　　densenet其实这个模型不大，也就是参数量不大，因为就1个fc

　　　　但是他的计算量确实很大，因为每一次都把上一个feature加进来，所以计算量真的很大

 

５　计算量与参数量对于硬件要求

　　计算量，参数量对于硬件的要求是不同的

　　计算量的要求是在于芯片的floaps（指的是gpu的运算能力）

　　参数量取决于显存大小