卷积层参数量和计算量计算公式

---

参考https://www.cnblogs.com/qinduanyinghua/p/11302618.html

0. 变量定义

假设输入的特征图（feature map）的shape为[Height, Weight, Channel]，对应的字母表示为$[H_{in},W_{in},C_{in}]$; 卷积核（kernel）的shape为$[H_k,W_k]$, 滤波器（filter）的shape为$[C_{out},H_{out},W_{out},C_{in}]$； 输出的feature map的shape为$[H_{out},W_{out},C_{out}]$；padding=$[P_1,P_2]$;stridding=$[S_1,S_2]$
不难推出：
$$H_{out}=\left[\frac{H_{in}+2P_1-H_k}{S_1}\right]+1\text{\hspace{1em}(0-1)}$$
$$W_{out}=\left[\frac{W_{in}+2P_2-W_k}{S_2}\right]+1\text{\hspace{1em}(0-2)}$$
其中$[]$代表向下取整

1. 卷积层的参数量计算

卷积核（kernel）的参数量：$H_k\times W_k$
滤波器（filter）的参数量：$C_{out}\times H_k\times W_k\times C_{in}$
bias参数量：$C_{out}$
总的参数量：$C_{out}\times H_k\times W_k\times C_{in}+C_{out}$

2. 卷积操作的计算量

2.1. 乘法计算量

为了得到输出feature map的一个像素点，需要进行$C_{in}\times H_k\times W_k$次乘法操作。因此为了得到整个输出feature map，需要进行$C_{out}\times H_{out}\times W_{out}\times C_{in}\times H_k\times W_k$次乘法。

2.2. 加法计算量

为了得到输出feature map的一个像素点，需要进行$C_{in}\times (H_k\times W_k-1)+(C_{in}-1)+1=C_{in}\times H_k\times W_k$次加法操作。注意最后一个1是bias。因此为了得到整个输出feature map，需要进行$C_{out}\times H_{out}\times W_{out}\times C_{in}\times H_k\times W_k$次加法。
居然和乘法计算量一样！