卷积核的参数量和计算量

卷积核的参数量和计算量

卷积计算量

通常只看乘法计算量：

 

标准卷积方式

C代表通道数，Ci输入通道数，C0为输出通道数。H*W为长宽

如下图；当前特征图Ci * H * W ,把特征图复制C0个，分别与3*3*Ci的卷积核进行卷积，输出特征图大小C0 * H * W, 

用C0个3*3*Ci的卷积核进行卷积操作，所以参数量为3*3*Ci*C0，在H*W的特征图上操作，故计算量为3*3*Ci*C0*H*W .

可以记作 输入输出的pipeline   Ci*3*3*H*W*Co

 

 

 

 

 

深度可分离卷积

 

 

 

逐通道卷积depthwise conv，再通道融合卷积pointwise

 

 

 通道之间相互独立，故卷积核参数量为3*3*Ci (记忆技巧，输出通道数即为卷积核个数，卷积核个数乘以每个卷积核的参数即总参数) ,  远少于标准卷积的 3*3*Ci*C0,  计算量为3*3*Ci*H*W。

逐通道卷积之后，再用1*1的卷积核进行通道间的特征融合

此时输入的特征图大小为H*W*Ci  ,输出为H*W*C0

故后半部分卷积核参数量为1*1*C0*Ci， 计算量为1*1*C0*H*W*Ci,   可以记作从左到右pipeline Ci*1*1*H*W*C0

故深度可分离卷积的计算量为：3*3*Ci*H*W   +      1*1*C0*H*W*Ci

是标准卷积的1/9，计算量大大减小。

 

另外，卷积神经网络的神经元个数计算方式为：卷积核的个数乘以图片大小(H*W)