前言：水平有限，如有失严谨或错误处，望指出纠正
不要着急，我们先假设：输入feature maps的通道数、输出的通道数、卷积核尺寸（长和宽一样时）分别为：
输出的feature maps的大小：
先看结论，有以下：
基本卷积的参数量（为形式上简洁，不考虑bias）：
基本卷积的计算量（为形式上简洁，不考虑bias）:
可分离卷积的参数量（为形式上简洁，考虑bias）:
可分离卷积的计算量（为形式上简洁，考虑bias）:
看出什么关系、规律了吗？
一、参数量计算
1、基本卷积参数计算：
不考虑偏置bias，参数量 = 每个卷积核的参数 * 核的数量（输出的通道数）：
一般情况卷积核长和宽一样时：
注：如果考虑偏置项，为：
2、可分离卷积参数计算：
（上图源于网络，出处未知，侵删，2333……）
第一部分：对输入的每个通道使用单通道卷积核进行卷积；
输入的通道数（卷积核的个数） * 每个卷积核（通道1）的参数
第二部分：使用1x1卷积将输入通道数转变成输出通道数：
输出的通道数（卷积核的个数） * 每个卷积核（通道与输入通道相同）的参数：
两部分相加：
一般情况卷积核长和宽一样时：
二、FLOPs
floating point operations，浮点运算数，计算量，衡量模型复杂度。
(注意区分另一个概念FLOPS： floating point operations per second，指每秒浮点运算次数)
1、普通卷积计算量：
计算方法 = {计算每个输出特征值（feature map上的一个数）对应的乘法操作数 + 计算每个输出特征值（feature map上的一个数）对应的加法操作数}* 所有特征值的个数
不考虑偏置项bias，加法操作数有个-1，考虑由于+1与它抵消：
一般情况卷积核长和宽一样时：
2、可分离卷积的计算量：
计算方法 = 第一部分（输出通道不变，使用C_in个单通道卷积）计算量 + 第二部分（使用1*1通道卷积）计算量
第一部分 = 每个特征点所需乘法加法次数 * 特征点个数
第二部分 = 每个特征点所需乘法加法次数 * 特征点个数
一般情况卷积核长和宽一样时：
公众号近期荐读：
GAN&CV交流群，无论小白还是大佬，诚挚邀您加入！
一起讨论交流！长按备注【进群】加入：
更多分享、长按关注本公众号：