深度学习模型/算法的运算复杂度分析

分四大部份：
 

• 空间占用——单个模型的参数文件要占用多大空间
• 内存占用——运行在手机或平板上时需要占用多大的 RAM
• 运行速度——尤其考虑实时的视频和大图像处理情形
   
• 耗电情况

Ref:

原文： http://machinethink.net/blog/how-fast-is-my-model/

翻译：https://blog.csdn.net/leayc/article/details/81001801

---

影响内存占用的主要因素：ResNet-50为例 network architecture图

输入image数据

256*256的彩色图像：256*256*3*1 byte= 192KB

模型自身conv.等使用到的Params参数

ResNet-50有26 million参数，占内存：26M * 32 bit = 99MB

模型里各layer计算产生的中间变量(memory), 也就是输入图像在计算时每一层产生的输入和输出feature map

ResNet-50有16 million响应 (没推衍怎么算的)，占内存：16M*32bit = 64MB

做mini-batch训练时batch size的影响

ResNet-50，mini-batch=16，各层相应占内存：64MB*16= 1GB

BP算法: 如果用BP算法(back propagation)时中间变量部份还要*2 ~~！！！

所以一张256*256彩色影像做FP的inference时=192KB+99MB+64MB就还好，训练时加上batch因素就瞬间变内存怪兽爆掉

Ref:

https://blog.csdn.net/shenxiaolu1984/article/details/71522141/

https://blog.csdn.net/wz22881916/article/details/81054036

---

YOLO V3 中间层变量分析，这要推导出中间变量占用内存有点难..........
https://blog.csdn.net/dz4543/article/details/90049377