Faster rcnn test浮点运算次数（卷积实现过程，Faster rcnn总体结构和参数）

      我在调试faster rcnn demo.py的代码后，用监控卡口图片做了测试，并统计了其浮点运算次数（这只是一个粗略的统计，即仅统计了卷积部分乘法运算次数），另外，该代码可以通过pycharm调试，为了能深入理解其内部原理，建议大家动手调试。

     上表中，结合protobuf文件，我们知道，layer_name表示层名，bottom表示层输入数据，top表示层输出数据，kernel_size表示卷积核大小，pad表示补全（即在特征图四周补0），stride：表示卷积核滑动的步长。我们知道caffe中数据使用blob存储的，blob是一个四位数组，维度从高到低为（num,channels,height,width），floating-point浮点运算次数。

    date为1*3*600*982是怎么得到的呢？

    我输入的是一个彩色的2072*3392大小的监控卡口图片，通过调试可以发现，为了减少计算，faster rcnn先将图片短边设置为600，长边再按同等比例缩放，即3392*(600/2072)=982，这样就得到了一个600*982*3的图，blob形式即：1*3*600*982。

Conv1浮点运算次数如何计算的呢？

    输入1*3*600*982的data，kernel_size:3*7*7（特别注意：卷积核channels和bottom的channels相同，是一个三维数组，具体理解可以看卷积部分源码），pad:0，stride:2，这是具体参数部分，计算过程如下：

    卷积核在原图上第一次卷积时，乘法次数为：7*7*3，以步长为2滑动一次，乘法次数为：7*7*3，一共滑动了conv1_heigh*conv1*width次，即得到的特征图的长乘宽，这只得到了一个特征图，乘法次数为:(kernel_size* kernel_size*data_channels)*conv1_heigh*conv1*width。一共得到了96个特征图，故乘法次数: (kernel_size* kernel_size*data_channels)*conv1_heigh*conv1*width*conv1_channels。细读卷积源码理解更容易。

    具体卷积实现过程可以参考博客：卷积实现过程

    如果不好理解，也可以看下卷积层浮点运算计算量公式是：Caculation(convn)=I*J*M*N*K*L

其中，I,J表示卷积核大小 M,N表示输出通道的特征图大小， K表示输入通道数， L表示输出通道数。其他部分计算同上。

    RPN、ROI proposal、RCNN部分的所以参数大家可以在这里下载点击打开链接。

细读这个表格，可以帮助大家更好地理解faster rcnn实现部分，免费提供给大家，希望对大家有帮助。