CNN的参数量和计算量

参数量以参数个数为单位，要计算内存或显存的，用参数量乘以每个参数所占的字节数即可。计算设备需要多大的内存或显存。

计算量以计算机做乘加次数为单位，即完成某个操作，需要执行多少次乘法和加法操作。网络训练的快慢

计算量：

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。
本问题针对模型，应指的是FLOPs。以下答案不考虑activation function的运算。
卷积层：

 

Ci=input channel, k=kernel size, HW=output feature map size, Co=output channel.
2是因为一个MAC算2个operations。不考虑bias时有-1，有bias时没有-1。
上面针对一个input feature map，没考虑batch size。
理解上面这个公式分两步，括号内是第一步，计算出output feature map的一个pixel，然后再乘以HWCo拓展到整个output feature map。
括号内的部分又可以分为两步，Ci*k^2 +  Ci*k^2-1 第一项是乘法运算数，第二项是加法运算数，因为n个数相加，要加n-1次，所以不考虑bias，会有一个-1，如果考虑bias，刚好中和掉，括号内变为2*Ci*k^2

全联接层：

 

I=input neuron numbers, O=output neuron numbers.2是因为一个MAC算2个operations。不考虑bias时有-1，有bias时没有-1。
分析同理，括号内是一个输出神经元的计算量，拓展到O了输出神经元。

参数量：

CNN网络的参数量和特征图的尺寸无关，仅和卷积核的大小，偏置及BN有关，

对于卷积张量，权重参数量为,偏置参数量为，如果使用了BN,那么还有两个可学习参数,参数量都是，总共，

综上，该卷积层所有的参数量为：.

需要注意的是，上面计算的仅仅是模型的参数量，若要计算模型实际需要多少显存，还要考虑特征图的大小，

因为每一层卷积的输出都需要缓存，还要BN计算出来的均值和偏差也需要缓存，权重的梯度也需要缓存。通常模型参数所占用的显存比例很小。

 

参考：

https://blog.csdn.net/weixin_39833897/article/details/105807172

https://www.zhihu.com/question/65305385/answer/451060549

https://blog.csdn.net/xuefengyang666/article/details/94734491