(转载)CNN 模型所需的计算力（FLOPs）和参数（parameters）数量计算

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。

网上打字很容易全小写，造成混淆，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： $(2\times C_{i} \times K^{2}-1)\times H\times W\times C_{o}$

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， $(2 \cdot C_{i}\cdot K^{2}-1)=(C_{i}\cdot K^{2})+(C_{i}\cdot K^{2}-1)$ ，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 $2 \cdot C_{i}\cdot K^{2}$

全联接层： $(2\times I-1)\times O$

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。

参考：chen liu

对于一个卷积层，假设其大小为 $h \times w \times c \times n$ （其中c为#input channel, n为#output channel），输出的feature map尺寸为 $H\' \times W\'$ ，则该卷积层的

#paras = $n \times (h \times w \times c + 1)$
#FLOPS= $H\' \times W\' \times n \times(h \times w \times c + 1)$

即#FLOPS= $H\' \times W\' \times$ #paras

参考：李珂

Model_size = 4*params 模型大小为参数量的4倍

附：Pytorch计算FLOPs的代码：

http://link.zhihu.com/?target=https%3A//github.com/Lyken17/pytorch-OpCounter

https://github.com/sovrasov/flops-counter.pytorch

神器（pytorch）：

pytorch-OpCounter 用法：（pytorch版本>=1.0）

from torchvision.models import resnet50
from thop import profile
model = resnet50()
flops, params = profile(model, input_size=(1, 3, 224,224))

torchstat 用法:

from torchstat import stat
import torchvision.models as models

model = model.alexnet()
stat(model, (3, 224, 224))

flopth 用法：

from flopth import flopth
print(flopth(net, in_size=[3,112,112]))

ptflops用法：

from ptflops import get_model_complexity_info
flops, params = get_model_complexity_info(net, (3, 224, 224), as_strings=True, print_per_layer_stat=True)
print(\'Flops:  \' + flops)
print(\'Params: \' + params)

自己计算参数量：

print(\'Total params: %.2fM\' % (sum(p.numel() for p in net.parameters())/1000000.0))

需要注意的是：params只与你定义的网络结构有关，和forward的任何操作无关。即定义好了网络结构，参数就已经决定了。FLOPs和不同的层运算结构有关。如果forward时在同一层（同一名字命名的层）多次运算，FLOPs不会增加。

参考：

轻量级神经网络“巡礼”（一）—— ShuffleNetV2