【Deep Learning】计算PyTorch模型的FLOPs

1. 衡量深度学习模型重量级的指标

参数量：
CNN:
一个卷积核的参数 = kkCin+1
一个卷积层的参数 = (一个卷积核的参数)卷积核数目=kkCinCout+Cout

FLOPS:
注意全大写，是floating point operations per second的缩写，意指每秒浮点运算次数，理解为计算速度。是一个衡量硬件性能的指标。

FLOPs:
注意s小写，是floating point operations的缩写（s表复数），意指浮点运算数，理解为计算量。可以用来衡量算法/模型的复杂度。

但是关于FLOPs的公式花样百出，不过大致形式都差不多，没有找到特别统一的说法。

2. CNN的FLOPs的计算公式：

(1) 知乎：

Ci、Co表示输入和输出通道，K卷积核大小，HW是输出的feature map大小。其中括号中的式子这样理解：

左边是乘法运算量，右边是加法运算量,因为n个数字要加n-1次，所以有个-1.这里忽略了bais如果算上bais需要把-1去掉。

(2) nvida论文：

论文里应该是把n个累加直接当成加n次，还算上了个bais

(3)torchstat库
简单用代码实验了下，如下图：

Flops：44,158,464 = 222222(333+1)32
params：896 = 33332
推算了下它的公式FLOPs = HW(KKCin+1)*Cout （又是不一样的！）
FullyConnect的FLOPs：

I输入神经元数目，O输出神经元个数。同理，考虑bais没有-1

GFLOPs：
这其实是一个单位，1GLOPs=10亿次浮点运算。
是Paper里比较流行的单位。

浮点运算量和参数量的区别：
浮点运算量是实际运算过程中的加减乘除计算过程中的计算次数，描述计算力；
参数量只是指的模型大小，和输入的图片大小无关，描述需要内存

不能只用FLOPs作为网络速度的指标。
FLOPs没有考虑几个对速度有相当大影响的重要因素——MAC\并行度\平台

3. 其他指标

3.1 MAC(Memory Access Cost)

比如：MAC(内存访问成本)，计算机在进行计算时候要加载到缓存中，然后再计算，这个加载过程是需要时间的。其中，分组卷积（group convolution）是对MAC消耗比较多的操作（例如AlexNet多GPU）。
kk普通卷积（不算bais）的FLOPs和MAC：
FLOPs = 2h2w2kkc1c2
MAC=输入+输出+权重参数=h1w1c1+h2w2c2+c1c2kk

普通卷积和分组卷积的参数量：

1*1卷积普通卷积：

结论：FLOPs一定时，当且仅当c1=c2，MAC越小。

1*1分组卷积：

结论：B不变，g越大MAC越大

3.2 并行度

第二个对速度有相当大影响的重要因素就是模型的并行度。
在相同的FLOPs下，具有高并行度的模型可能比具有低并行度的另一个模型快得多。如果网络的并行度较高，那么速度就会有显著的提升。

3.3 计算平台的不同

不同的运行平台，得到的FLOPs也不相同。有的平台会对操作进行优化，比如：cudnn加强了对3×3conv计算的优化。这样一来，不同平台的FLOPs大小确实没有什么说服力。