densenet比resnet参数量少，但训练速度慢的原因分析

    笔者做一个四分类的模型，发现了一个非常有意思的问题，就是训练好的densenet的h5模型只有1.3M的参数量，而resnet50的参数量有271M之多，但是训练的速度竟然是densenet更慢，笔者很迷惑，所以就查找了一些资料并对网络结构进行分析，做一下记录，供大家参考。

首先我查找了一些资料，进行分析，毕竟要先知道网络速度的快慢和啥有关对吧，参考如下博客，

https://blog.csdn.net/leayc/article/details/81001801

然后我把自己的densenet和resnent的模型打印出来，model.summery()得到了两个模型的结构，下面是densenet的（没截全，只取了一开始和结尾部分）：

下面是resnet的（同样只是一开始和结尾部分）：

通过对比可以发现densenet比resnet参数少的原因在于每一次卷积输入输出的chanenl个数要比resnet少很多，这样bn层的参数也会少很多，channel数对此的影响很大，全连接层的参数也比resnet少很多；densenet比resnet慢的原因在于，densenet的featuremap比resnet大很多，导致卷积过程的计算量比resnet大很多，简而言之就是flops要大一些，内存的占用要大一些，而且内存的访问次数要多很多，内存的访问是很慢的，可以参考上面的那个连接里面讲解的，而不是全连接层的原因，因为densenet的全连接参数比resnet要少很多。

分析完原因以后，又看了一篇博客，上面正好有相关的参数实验，https://blog.csdn.net/u011311291/article/details/82969409

里面涉及到vgg16及densenet201的参数和内存的消耗，虽然我自己没有动手实验自己的网络，但是从侧面已经验证了我的猜想。