模型的参数及计算量

卷积和全连接层参数量计算公式：

转载
卷积层参数量=（filter size * 前一层特征图的通道数 ）* 当前层filter数量+当前层filter数量
全连接层的计算量 = 映射的特征图大小（77512）*输出一维向量的维度（4096）

假设输入神经元数为M，输出神经元数为N，则：
（1）bias为True时：
则参数数量为：M*N + N（bias的数量与输出神经元数的数量是一样的）
（2）bias为False时：
则参数数量为：M×N

卷积层的FLOPs:

乘法次数=输出特征图的大小（Hout *Wout Cout）
乘法计算量=乘法次数卷积核尺寸（Kh *Kw *Cin）
加法次数 = 输出特征图的大小
加法计算量=输出特征图的大小
其中h,w为卷积核大小。

对于全连接层，由于不存在权值共享，它的FLOPs数目即是该层参数数目，也就是输入节点数*输出节点数+输出节点数