衡量模型复杂度：①模型参数量、②FLOPs（浮点运算数，计算量，s小写）【全连接层无权值共享，浮点运算数==参数量】；衡量硬件（GPU）性能的指标：FLOPS（每秒浮点运算次数，计算速度，S大写）

一、衡量模型复杂度

评价一个CNN的性能，除了其性能指标（分类任务的准确度、估计任务的误差、检测任务的精度等）外，还需要考虑该CNN的模型复杂度，如参数量和计算量。CNN的参数（parameters）包括CNN需要学习的卷积核权值（weight）、全连接层权值以及其他需要学习的权值，CNN的参数量便是指所有这些参数的个数之和。由于参数量比较大，一般以M或G作为单位，流行的ResNet50的参数量是25.56M。CNN的计算主要来自CNN前向推理需要执行的乘加计算，因此计算量常使用乘加计算数（英文为multiply-accumulate operations或multiply-add operations, 因此常缩写为MACs, MACC或MADD）。MACs一般为M或G数量级，流行的ResNet50的计算量是4.14G MACs。

二、衡量硬件性能的指标

---

---

---

CNN的参数量、计算量（FLOPs、MACs）与运行速度_cnn参数_Dr鹏的博客-CSDN博客

Transformer-FLOPs推导过程_transformer的flops_Triton安的博客-CSDN博客