Yolov3模型框架darknet研究（二）结合darknet代码理解 bflops

在用darknet框架进行目标检测时，经常看到BFLOPS的概念，很多人不清楚什么意思，这里结合源代码来具体讲解一下。

BFLOPS 有两个不同场景下的解释。 第一种是描述硬件运算性能的单位，这时其全称是Billion Float Operations Per Second，即每秒能进行多少个十亿次浮点运算；  第二种是描述某次卷积运算需要的多少个十亿次浮点运算，其全称是 billion float operations，将多次卷积等运算所耗费的BLOPS加起来就可以来表示 某个算法模型的复杂度。

显然，darknet中的BFLOPS表示的是第二种含义， 代码中其计算公式为：

l.bflops = (2.0 * l.n * l.size*l.size*l.c * l.out_h*l.out_w) / 1000000000.;

下面从左到右解释每一个常量或变量的含义。

2.0 表示 一次乘法和一次加法浮点运算

l.n表示 卷积核数目

l.size表示 卷积核大小(size*size)

l.c表示 待卷积图像的个数

l.out_h和l.out_w表示卷积后图像的大小，也等于完成某个卷积核扫描完该图像所需要卷积次数。 它取决于输入图像大小，卷积核大小，stride，以及pad等因素，其计算公式如下：(l.h + 2*l.pad - l.size) / l.stride + 1;   (l.w + 2*l.pad - l.size) / l.stride + 1

可能看到这里有些晕，这里举一个例子简单说明一下哈。

待卷积输入图像 宽高为608x608 channels为3， 当然对中间的卷积层而言， 其输入变为 feature map的宽高以及个数了，比如304x304x32 对吧。

现在使用32个size为3的卷积核(32x3x3）对输入图像进行卷积， 其 步长为1， padding为1，那么该卷积层所耗费的总的运算次数为：

(2.0 * l.n * l.size*l.size*l.c * l.out_h*l.out_w) = （2.0*32*3*3*3*[(608+2*1-3)/1+1]*[(608+2*1-3)/1+1]) = 638779392

最后除以billion(10^9) 来转换成BFLOPS单位： 638779392/10^9 约= 0.6388 BFLOPS