卷积神经网络的复杂度分析

在进行CNN的设计中，我们不仅要考虑模型的准确率，还需要考虑模型的实用性。现阶段大量的paper纯堆精度，缺没有深入思考模型以及算法的实用性。

最近有一点感触很深：很多我们在做研究时认为默认的东西，在进行实际应用项目中，才发现这些先验数据是无法获得的，这和学术探索是很不同的。可能需要问自己，我们应该做怎样的研究者？

 

对于CNN，网络的复杂度分析也是非常非常重要的。

1、时间复杂度——计算量。

就是我们常说的FLOPs，计算如下所示：

2、空间复杂度

空间复杂度主要包括两部分，总参数量 + 各层输出特征图

3. 复杂度对模型的影响