不同类型卷积计算量的计算
-
说明:
- 假定输入Blob的shape为BxC1xHxW,输出Blob的shape为BxC2xHxW,卷积核大小为kxk。(这里假定输出的H,W与输入尺寸相同,当然也可通过计算公式计算, pad为pw与ph,stride为s)
- 深度可分离卷积由:深度卷积(depthwise卷积)和点卷积(pointwise卷积)构成
- pointwise卷积属于2D卷积(卷积核为1X1);depthwise卷积属于分组卷积(组数G==输入通道数C1)
- 分组卷积中组数G表示
- 一些论文中卷积的计算量将乘加作为1个整体MAdds进行统计,那么类似地下面的一个卷积计算量则由 2 k 2 − 1 2k^2-1 2k2−1变为 k 2 k^2 k2,其他同理。
-
2D卷积计算量
-
一个卷积计算量:
k 2 + k 2 − 1 = 2 k 2 − 1 k^2+k^2-1=2k^2-1 k2+k2−1=2k2−1 -
一张featuremap上卷积计算量:
( 2 k 2 − 1 ) ∗ W ∗ H (2k^2-1)*W*H (2k2−1)∗W∗H -
C1张featuremap的计算量(包含每张featuremap的计算和所有featuremap的累加):
C 1 ∗ ( 2 k 2 − 1 ) ∗ W ∗ H + ( C 1 − 1 ) ∗ W ∗ H C1*(2k^2-1)*W*H + (C1-1)*W*H C1∗(2k2−1)∗W∗H+(C1−1)∗W∗H
-
输出C2个通道的计算量:
C 2 ∗ [ C 1 ∗ ( 2 k 2 − 1 ) ∗ W ∗ H + ( C 1 − 1 ) ∗ W ∗ H ] C2*[C1*(2k^2-1)*W*H + (C1-1)*W*H] C2∗[C1∗(2k2−1)∗W∗H+(C1−1)∗W∗H]
可化简为:
C 2 ∗ W ∗ H ( 2 k 2 − 2 + C 1 ) C2*W*H(2k^2-2+C1) C2∗W∗H(2k2−2+C1) -
一个blob(B个batch)的计算量:
B ∗ C 2 ∗ W ∗ H ( 2 k 2 − 2 + C 1 ) B*C2*W*H(2k^2-2+C1) B∗C2∗W∗H(2k2−2+C1)
-
-
分组卷积计算量
-
一个卷积计算量:
k 2 + k 2 − 1 = 2 k 2 − 1 k^2+k^2-1=2k^2-1 k2+k2−1=2k2−1 -
一张featuremap上卷积计算量:
( 2 k 2 − 1 ) ∗ W ∗ H (2k^2-1)*W*H (2k2−1)∗W∗H -
输出一组(C1/G张)特征图的计算量(包含每张featuremap的计算和C1/G张featuremap的累加):
C 1 G ∗ ( 2 k 2 − 1 ) ∗ W ∗ H + ( C 1 G − 1 ) ∗ W ∗ H \frac{C1}{G}*(2k^2-1)*W*H + (\frac{C1}{G}-1)*W*H GC1∗(2k2−1)∗W∗H+(GC1−1)∗W∗H
可化简为:
C 2 ∗ W ∗ H G ( 2 k 2 C 1 G − 1 ) ≈ 2 C 1 C 2 H W k 2 G 2 \frac{C2*W*H}{G}(\frac{2k^2C1}{G}-1)\approx\frac{2C1C2HWk^2}{G^2} GC2∗W∗H(G2k2C1−1)≈G22C1C2HWk2 -
输出G组(C2/G张)featuremap的计算量:
G ∗ 2 C 1 C 2 H W k 2 G 2 = 2 C 1 C 2 H W k 2 G G*\frac{2C1C2HWk^2}{G^2} = \frac{2C1C2HWk^2}{G} G∗G22C1C2HWk2=G2C1C2HWk2 -
一个blob(B个batch)的计算量:
2 B C 1 C 2 H W k 2 G \frac{2BC1C2HWk^2}{G} G2BC1C2HWk2
-
不同类型层参数量计算
-
说明:假设卷积核的大小为 kxk, 输入channel为C1, 输出channel为C2
-
2D卷积参数量:
- bias为False:
k ∗ k ∗ C 1 ∗ C 2 k*k*C1*C2 k∗k∗C1∗C2
- bias为True(bias的数量与输出channel的数量是一样):
k ∗ k ∗ C 1 ∗ C 2 + C 2 k*k*C1*C2+C2 k∗k∗C1∗C2+C2
-
全连接参数量:
- bias为False:
C 1 ∗ C 2 C1*C2 C1∗C2
- bias为True(bias的数量与输出神经元数的数量是一样):
C 1 ∗ C 2 + c 2 C1*C2+c2 C1∗C2+c2