卷积的计算量和参数量计算公式

最新推荐文章于 2024-04-14 08:30:14 发布
最新推荐文章于 2024-04-14 08:30:14 发布
阅读量1.9k 收藏 6
点赞数 1
文章标签： 深度学习 卷积神经网络
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_46928374/article/details/120842550
版权

最近在学一些网络的时候，看到一直在讨论网络参数量和计算量，之前对这块也一直一知半解，特意查阅资料，整理的公式如下：

inputkenelkenel num
w * w * Mk * k * Mn
参数量k * k * M * n无padding，步长1
计算量k * k * W * W * M * n无padding，步长1

其中： W=w-k+1 卷积后的特征图边长
W * W 即为卷积后的特征图尺寸
卷积后的特征图上每一个grid（即每一个小格子）都经过k*k次运算
参数量只计算所有卷积核kenel参数的个数

举例：inception网络中的某一层
在这里插入图片描述

计算量：3x3x26x26x192x64
参数量：3x3x192x64

（默认无padding，stride=1…

wsme_bjut
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习入门（四）：关于卷积运算量和参数数量的计算
crazyeden的博客
01-24 1万+
卷积层的运算量公式 num(MAC)=I*J*M*N*K*L I J 为卷积核大小 M N为卷积之后输出特征的大小 K表示输入通道个数 L表示输出通道个数（这里的通道数可以理解为单样本特征图的个数） 以lenet中的参数为示例： layer {   name: "conv1"   type: "Convolution"   bottom: "data"   top: "con
卷积计算参数计算程序，便于网络搭建
02-06
卷积计算参数计算程序，便于网络搭建
普通卷积、分组卷积和深度分离卷积概念以及参数量计算
AI浩
01-26 8262
Google提出了移动端模型MobileNet，其核心是采用了深度可分离卷积，其不仅可以降低模型计算复杂度，而且可以大大降低模型大小，适合应用在真实的移动端应用场景。这篇文章带你了解一下什么是普通卷积、分组卷积和深度分离卷积，以及如何计算参数量。 上面的图片展示了普通卷积和分组卷积的不同，下面我们通过具体的例子来看。 普通卷积 标准卷积运算量的计算公式： FLOPs=(2×C0×K2−1)×H×W×C1 {FLOPs }=\left(2 \times C_{0} \times K^{2}-1\right)
卷积层参数量计算_卷积层的参数量怎么算，2024年您应该知道的技术之一
最新发布
2301_77118221的博客
04-14 504
本书是获得了很多读者好评的Linux经典畅销书**《Linux从入门到精通》的第2版**。注意：3指的是输入的通道数，因为卷积核的通道数要和输入通道数一样；8指的是输出通道的通道数，因为从正向过程来看，经过卷积计算后，要把每个卷积核计算的结果堆叠起来，有几个卷积核，就要堆叠几层，那么这个堆叠之后的层数就是输出通道的通道数（这里就是8），好，现在反向来看，已知输出通道的通道数是8，那么卷积核需要几个呢？就像你爬楼梯，现在你站在第8楼，你就知道你爬了8层，那么当你站在0层的时候，你需要爬几层才能到8楼呢？
卷积层参数量和计算量计算公式
lankuohsing的博客
05-25 7112
文章目录0. 变量定义1. 卷积层的参数量计算2. 卷积操作的计算量2.1. 乘法计算量2.2. 加法计算量 参考https://www.cnblogs.com/qinduanyinghua/p/11302618.html 0. 变量定义 假设输入的特征图（feature map）的shape为[Height, Weight, Channel]，对应的字母表示为[Hin,Win,Cin][ H_{in}, W_{in}, C_{in}][Hin​,Win​,Cin​]; 卷积核（kernel）的shape.
卷积核的参数量和计算量
qq_36412570的博客
03-31 4211
卷积核的参数量和计算量 1. 参数量计算 1.1 普通卷积 输入特征图尺寸 CxHxW 输出特征图尺寸 OxHxW 卷积核尺寸 kxkxC（O个kxkxC的卷积） 权重 kxkxCxO 偏置 O BN层 2xO 总的参数量 kxkxCxO+3xO 1.2 depth wise 卷积 输入特征图尺寸 CxHxW 输出特征图尺寸 OxHxW 卷积核尺寸 kxkx1（C个kxkx1的卷积） 权重 kxkxC 偏置 C BN层 2xC 总的
速查：卷积核参数计算公式
Jie Qiao的专栏
01-10 6570
卷积核参数计算公式笔记 notation： 设输入为2维图像，输入大小为i∗ii * ii∗i，并且 kernel size=k stride = s padding=p 公式1：对于任意的i和k，如果s=1,p=0s=1,p=0s=1,p=0,则 o=(i−k)+1 o=(i-k)+1 o=(i−k)+1 公式2：对于任意的i和k,p，如果s=1s=1s=1,则 o=(i−k)+2p+1 o=(...
【从零开始AI】卷积神经网络中的参数量和计算量
gejun318的博客
04-24 3283
参数量和计算量是衡量深度学习算法的重要指标，计算量对应的是算法的时间复杂度。 一、参数量 1、卷积层的参数量 Gamma公式展示 Γ(n)=(n−1)!∀n∈N\Gamma(n) = (n-1)!\quad\forall n\in\mathbb NΓ(n)=(n−1)!∀n∈N 是通过 Euler integral Γ(z)=∫0∞tz−1e−tdt . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞​tz−1e−tdt. $+ds paramet
卷积神经网络参数量和计算量的计算
热门推荐
Lavi的专栏
08-15 2万+
0 前言 我们在设计一个CNN网络时，通常要考虑两个事情，一个是这个网络需要的计算量有多大，一个是这个模型的参数量有多少。前者决定了网络训练的快慢（硬件设备确定的情况），后者决定了计算设备需要多大的内存或显存。 本文CNN的计算量以计算机做乘加次数为单位，即完成某个操作，需要执行多少次乘法和加法操作。参数量以参数个数为单位，要计算内存或显存的，用参数量乘以每个参数所占的字节数即可。 1 计算量 ...
离散傅里叶变换和卷积计算matlab代码.zip
01-15
数字信号处理实验 离散傅里叶变换和卷积计算matlab实现
轻量级网络：减少参数量的几种方法
01-20
使用 1×1 卷积核对输入的特征图进行降维处理，这样就会极大地减少参数量，从而减少计算。例如，输入数据的维度是 256 维，经过 1×1 卷积之后，我们输出的维度是 64 维，参数量是原来的 1/4 。  PW 也...
CNN kernel与模型参数量、计算量
01-06
在此集中对kernel的参数、卷积过程以及channel进行回顾性总结理解。 1、卷积过程基本概念 本部分我在CSDN博客 第一部分有针对卷积过程的基本叙述，但是事实上长期不回顾就会有遗忘与不理解，重点还是要时时温故而知...
pytorch中的卷积和池化计算方式详解
09-18
今天小编就为大家分享一篇pytorch中的卷积和池化计算方式详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
卷积参数量计算（标准卷积，分组卷积，深度可分类）
史蒂夫方
03-29 7834
卷积参数量计算 总整理 这边其实算写给我自己复习用的， 就没有用博客的口吻了 简单为主 预备知识 FLOPs： s小写，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。（模型） 在论文中常用GFLOPs（1 GFLOPs = 10910^9109 FLOPs）相当于十亿次 参考 轻量级神经网络“巡礼”（一）—— ShuffleNetV2 轻量化网络ShuffleNet MobileN...
卷积操作参数量与计算量
执契的博客
04-03 934
计算量=k*k*C(out)*C(in)*IMG_H(in)*IMG_W(in) k:kerner卷积核的边长 C(out):输出通道数 C(in):输入通道数 IMG_H(in):输入图片高 IMG_W(in):输入图片宽 参数量=k*k*C(out)*C(in) 计算量参考：https://blog.csdn.net/mtj66/article/details/805...
卷积层计算量(FLOPS)和参数量的计算
jacke121的专栏
07-28 8736
1.卷积参数量的计算，若卷积层的输入featuremap的维度为Cin×Hin×Win,卷积核的大小为K1×K2,padding=P1×P2,stride=S1×S2,卷积核(filter)的数量为Cout,则输出特征图的大小为Cout×Hout×Wout,其中： Hout=⌊(H−K1+2P1)/S1⌋+1 Wout=⌊(W−K2+2P2)/S2⌋+1 ⌊⋅⌋表示向下取整。 参数量的计算，由于卷积层共享参数的特性，做一次卷积只和输入通道数Cin,卷积核的大小K1和K2有关，而与输入高度Hin和..
卷积神经网络（CNN）的计算量和参数量计算
Fury的博客
12-14 4438
今天看文章复习了一下计算量和参数两的计算方法，这里做一下笔记 忽略padding和stride的话，输入层，卷积核和输出层的关系，以及参数量、计算量如下(第二行是一个例子) 关于参数量：每个卷积核有K×K×MK×K×MK×K×M个参数，那么共有N个卷积核，参数量就是K×K×M×NK×K×M×NK×K×M×N 关于计算量：每个卷积核遍历输入层，计算量是K×K×M×Wo×WoK×K×M×W_o×W_oK×K×M×Wo​×Wo​，那么N个卷积核的计算量就再乘上N。(这里乘上两个WoW_oWo​我没有做严格的证明
深度学习原理9——卷积计算参数量和计算量
xiaotiig的博客
12-16 523
参数量和运算次数计算： 输入卷积：Win * Hin * Cin 卷积核：k * k 输出卷积：Wout * Hout * Cout 参数量：（即卷积核的参数） k * k * Cin * Cout 或者：(k * k * Cin + 1) * Cout （包括偏置bias） 计算量： k * k * Cin * Wout * Hout * Cout ...
深度可分离卷积的参数量的计算公式。
04-23
深度可分离卷积的参数量计算公式是：P=K×K×C1×D+C1×C2×H×W，其中K表示卷积核大小，C1表示输入通道数，C2表示输出通道数，H和W表示输入特征图的高和宽，D表示深度可分离卷积层的深度扩展因子。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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