神经网络模型计算量 & 参数量 解释

1. 概念

计算量(FLOPs)对应我们之前的时间复杂度，计算量要看网络执行时间的长短

PS： 

        FLOPS：全大写，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：s小写，意指浮点运算数，理解为计算量，用来衡量模型的复杂度

        （如果模型FLOPs为X，使用的GPU性能Y FLOPS，意味处理该模型只需X/Y秒）

参数量对应于我们之前的空间复杂度，参数量要看占用显存的量

2. 对硬件要求

• 计算量的要求是在于芯片的floaps（指的是gpu的运算能力）
• 参数量的要求是显存大小

3. 计算方式

计算量： 

参数量：

  BatchNorm层： 2N

PS：

        常见模型大小描述方式

        因为：参数都是FP32（4字节）存放，所以模型大小是参数量*4

                   1kb=1024字节；1MB=1024kb；1GB=1024MB；1TB=1024GB

        因此：如果模型参数量为6000万个，则总的字节数是24000万字节，也就是228MB

                                                                                      （24000万/1024/1024）=228MB

4. 代码计算

1） 整体参数量 + 计算量 

import torch
import torchvision
from thop import profile

model = torchvision.models.alexnet(pretrained=False)

dummy_input = torch.randn(1, 3, 224, 224)
flops, params = profile(model, (dummy_input,))
print('FLOPs: ', flops, 'params: ', params)

2）每层参数量 + 整体参数量 + 可训参数量

import torch
import torchvision
from pytorch_model_summary import summary

model = torchvision.models.alexnet(pretrained=False)
print(model)

dummy_input = torch.randn(1, 3, 224, 224)
print(summary(model, dummy_input, show_input=False, show_hierarchical=False))

输出：

 手动计算（示例）

        Conv2d-1:  3*64*11*11 + 64 = 23296

         Linear-21: 4096*1000 + 1000 = 4097000

5. 常见模型计算量 & 参数量 

模型	参数量（百万个）	模型大小（MB）	计算量（百万）
SqueezeNet	1,248,424	4.8MB
AlexNet	60百万（1e6）	240MB	720 (1*3*224*224)
ResNet101	85百万	340MB
VGG16	138百万	552MB	15300
TSN		20MB
I3D		60MB
ECO		150MB
GPT-3 （OpenAI）	1750亿（1e9）
鹏程. 盘古 （华为）	2000亿（1e9）	8TB
Switch Transformers （谷歌）	1.6万亿
悟道2.0 （智源）	17500亿

 Reference:

经典神经网络参数的计算【不定期更新】 - 知乎 (zhihu.com)

(36条消息) 深度学习中模型计算量(FLOPs)和参数量(Params)的理解以及四种计算方法总结_紫芝的博客-CSDN博客