mobileNetV1网络解析，以及实现（pytorch）(1)

标准卷积运算量的计算公式：

F L O P s = ( 2 × C 0 × K 2 − 1 ) × H × W × C 1 {FLOPs }=\left(2 \times C_{0} \times K^{2}-1\right) \times H \times W \times C_{1} FLOPs=(2×C0​×K2−1)×H×W×C1​

计算公式参考：深度学习之（经典）卷积层计算量以及参数量总结 （考虑有无bias，乘加情况） - 琴影 - 博客园 (cnblogs.com)

参数量计算公式： K 2 × C 0 × C 1 K^{2} \times C_{0} \times C{1} K2×C0​×C1

C 0 C_{0} C0​ :输入的通道。

K：卷积核大小。

H,W：输出 feature map的大小

C 1 C_{1} C1​：输出通道的大小。

bias=False,即不考虑偏置的情况有-1，有True时没有-1。

举例：

输入的尺寸是227×227×3，卷积核大小是11×11，输出是6，输出维度是55×55，

我们带入公式可以计算出

参数量：

1 1 2 × 3 × 6 11^2 \times 3 \times 6 112×3×6=2178

运算量：

2 × 3 × 1 1 2 × 55 × 55 × 6 2 \times 3 \times11^{2}\times 55\times 55 \times 6 2×3×112×55×55×6=13176900

分组卷积

===============================================================

分组卷积则是对输入feature map进行分组，然后每组分别卷积。

假设输入feature map的尺寸仍为 C 0 × H × W C_{0}\times H \times W C0​×H×W，输出feature map的数量为 C 1 C_{1} C1​个，如果设定要分成G个groups&#