深度学习（4）——以AlexNet为例计算神经网络的参数量parameters和浮点运算次数FLOPs

最新推荐文章于 2025-03-08 20:01:28 发布
最新推荐文章于 2025-03-08 20:01:28 发布
阅读量5.8k 收藏 32
点赞数 6
分类专栏： 14周AI人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41761357/article/details/111052638
版权

上一片博客(指路)末尾有提到计算公式，这里就不再赘述了放个截图。

在这里插入图片描述
本文将以AlexNet为例，计算AlexNet参数量量和浮点运算次数。

计算参数量

1.首先回顾参数量的计算公式：
如果输入是C channel ×H×W；卷积核是C inchannel × M outchannel ×K ×K；
parameters = [（K ×K）×C inchannel ]×M outchannel+M
2.分析AlexNet网络结构

在这里插入图片描述
共进行五次卷积操作,各层之间的kernel大小和输出feature尺寸下图中给出：
在这里插入图片描述
各层参数：
parameters = [（K ×K）×C ]×M+M
CONV1:

最低0.47元/天 解锁文章
RT-DETR改进策略：BackBone改进|使用StarNet改进RT-DERT，显著提升性能与效率
m0_47867638的博客
09-16 1318
本文介绍了我们如何将最新的StarNet模型成功应用于实时目标检测任务中，特别是用于改进RT-DERT（一种高效的实时目标检测网络）的主干网络部分。通过详尽的实验和理论分析，我们证明了StarNet不仅能够显著增强RT-DERT的检测精度，同时保持了高效的计算性能和低延迟特性。这一创新性的改进为实时目标检测领域带来了新的视角和实用的解决方案。近年来，实时目标检测技术在自动驾驶、视频监控、机器人视觉等领域的应用日益广泛。然而，实现高精度与高效率的平衡一直是该领域面临的重要挑战。
YoloV8改进策略：主干网络改进|复兴DenseNets，RDNet成为新的涨点神器|全网首发
m0_47867638的博客
07-22 1908
论文提出的模型主要基于对传统DenseNet架构的改进和复兴，通过一系列创新设计，旨在提升模型性能并优化其计算效率，提出了RDNet模型。
AlexNet网络结构参数计算
weixin_44180506的博客
05-01 1875
文章目录前言一、CNN网络性能参数计算方法二、简化AlexNet网络参数计算二、真实的AlexNet网络参数计算总结 前言 CS231n中详细介绍了AlexNet网络结构，又参考了EECS 498-007 / 598-005，有两个问题不解： CS231n和EECS 498-007 / 598-005介绍的AlexNet网络结构为何不同？ 按照EECS 498-007 / 598-005介绍的网络参数计算方法，为何算出的参数量和网上的博客不同？ 到现在第一个问题还未解决。第二个有了我自己的理解。 一
深度学习之alexNet算法参数量
my_share的专栏
06-07 6927
AlexNet中的参数数量 AlexNet的网络结构图： 总的来说，AlexNet由输入层，5个卷积层，3个全连接层组成(其中最后一个全连接层也是softmax输出层）。图中详细标出了输入大小以及各层的结构参数。特别需要注意的是：网络是分布在2个GPU上的，部分层只跟同一个GPU中的上一层连接（看起来，stackoverflow那个帖子中题主没有考虑这个问题）。 接下来梳理一下各层的参数情况： 输入层：图片大小：宽高通道(RGB)依...
用代码模拟AlexNet模型，并计算卷积和池化时模型的参数量和输出特征图维度
最新发布
m0_63529043的博客
03-08 691
AlexNet 是一种经典的卷积神经网络（CNN），由 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 在 2012 年提出，并在当年的 ImageNet 大规模视觉识别挑战（ILSVRC）中取得了突破性的成果，大幅降低了错误率，推动了深度学习在计算机视觉领域的快速发展。
AlexNet 参数计算
superyang198608的专栏
09-28 9108
FeatureMap大小计算公式： No Padding： 长=（Input长-过滤器长+1）/步长，上取整 宽=（Input宽-过滤器宽+1）/步长，上取整 Padding： 长=Input长/步长，上取整 宽=Input宽/步长，上取整 Input：224x224x3=150528 CNN1: 96个11113的卷积核，步长为4， 节点数量为：5555482=290400 参数数量：11113...
深度学习中parameters个数和FLOPS计算（以CNN中经典的AlexNet网络结构为例）
热门推荐
Never-Giveup的博客
01-30 2万+
面试时遇到过计算神经网路的参数个数以及FLOPS计算，当时对FLOPS计算比较蒙圈，这两天又看到了美团发布的技术博客对深度学习计算量的解决方案中又出现了FLOPS相关概念，所以通过查阅好多大佬的博客把FLOPS的计算问题理解清楚。 前言 深度学习的计算量 上表列举了，ImageNet图像识别中常见算法的模型大小以及单张图片一次训练（One Pass）所需要的计算量。 自2012年，Hinton的...
AlexNet系列I:模型参数计算
bmwlwg的博客
09-23 3800
Part I: 计算结果总表 AlexNet基本结构图： AlexNet模型参数计算总表： Layer Name Filter Padding Kernel Stride Img size Tensor Size Weights Biases Parameters Input Image - - - - ...
AlexNet网络的参数权值
08-04
使用ImageNet数据集训练AlexNet网络的参数权值，可以直接在tensorflow中使用
卷积神经网络模型解读汇总——LeNet5，AlexNet、ZFNet、VGG16、GoogLeNet和ResNet
冲弱's 博客
04-27 9949
  在我的个人博客上一篇博文中分析了卷积神经网络的结构与相关算法，知道了这些基本原理之后。这篇博文主要介绍在卷积神经网络的发展历程中一些经典的网络模型。 LeNet5   LeCun等将BP算法应用到多层神经网络中，提出LeNet-5模型[1]（效果和paper见此处），并将其用于手写数字识别，卷积神经网络才算正式提出。LeNet-5的网络模型如图1所示。网络模型具体参数如图2所示。 ...
YoloV9改进策略：主干网络改进|复兴DenseNets，RDNet成为新的涨点神器|全网首发
m0_47867638的博客
07-25 749
论文提出的模型主要基于对传统DenseNet架构的改进和复兴，通过一系列创新设计，旨在提升模型性能并优化其计算效率，提出了RDNet模型。
预训练AlexNet模型参数
09-13
深度学习AlexNet模型预训练参数，.npy格式，深度学习入门可尝试练习
深度学习之alexnet的计算量
my_share的专栏
06-11 5983
前言 深度学习的计算量 上表列举了，ImageNet图像识别中常见算法的模型大小以及单张图片一次训练（One Pass）所需要的计算量。 自2012年，Hinton的学生Alex Krizhevsky提出AlexNet，一举摘下ILSVRC 2012的桂冠后，ILSVRC比赛冠军的准确率越来越高。与此同时，其中使用到的深度学习算法也越来越复杂，所需要的计算量也越来越大。SENet与AlexNet相比，计算量多了近30倍。我们知道，ImageNet大概有120万张图片，以SENet为例，如果要完成100
AlexNet模型结构，卷积池化参数计算以及应用
plus_left的博客
05-16 1026
AlexNet模型结构，卷积池化参数计算以及应用AlexNet显示模型参数pytorch版本keras版本应用到cifar10数据集上进行分类模型训练应用分类 AlexNet显示模型参数 pytorch版本 # 代码测试各网络层参数情况 import torch.nn as nn from torchsummary import summary import torch.nn.functional as F class testNet(nn.Module): def __init__(self)
【深度学习实战（48）】如何计算模型的参数量、占用内存、CPU、GPU占用的算力
m0_51579041的博客
07-11 1766
【深度学习实战（48）】如何计算模型的参数量、占用内存、CPU、GPU占用的算力
浮点计算量和参数量的计算
爱CV
07-12 1489
不同的网络算子有不同的计算量，其计算方式也不相同。在卷积神经网络中，主要以卷积层和全连接层为主，其他算子的操作一般比较小，可以忽略不计，算作误差。二者其计算量的计算方式如下： 表示卷积核大小， 和 表示输入和输出通道数， 和 表示输出特征图大小。 计算代码--以PyTorch框架为例第一个推荐的计算库是 thop, 简单好用① 安装：推荐从作者的github直接安装最新版本。 ② 使用： 第二个推荐微软的nni包nni中有个计算网络模型计算量和参数量的小工具，使用起来也非常简单，并能输
深度学习网络参数量和浮点计算量计算
儒雅的顾毛毛的博客
09-20 1074
深度学习网络参数量和浮点计算量（FLOPs）计算
FLOPS
嘿芝麻的树洞
11-19 969
FLOPS 全称为：floating point operations per second 翻译为每秒所能够进行的浮点运算数目。 FLOPS是用来描述GPU的性能的标注。
AlexNet结构参数详解
fencecat的博客
04-08 1万+
2012年ImageNet 分类大赛冠军得主ALexNet结构大解析
轻量级卷积神经网络：深度学习架构汇总
这类网络通常具有较小的模型尺寸，较低的浮点运算次数（FLOPs），以及优化的网络结构设计。 轻量级网络是深度学习发展的一个重要分支，随着智能手机、物联网设备等的普及，需要在设备上直接部署深度学习模型的需求...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值