【paddle】自带模型参数量和计算量统计

准备使用paddleslim的一些工具，顺便统计一下以便做模型优化时用到。
测试代码

import paddle
import paddle.vision.models as models

sides = [64, 128, 224, 256, 384, 512]
clses = [10, 100, 1000]
for side in sides:
    for cls in clses:
        net = models.vgg19(pretrained=False, num_classes=cls)
        # net = models.mobilenet_v1(pretrained=False, scale=1.0, num_classes=1000)
		# net = models.resnet34(pretrained=False)
        FLOPs = paddle.flops(net, input_size=[1, 3, side, side], print_detail=True)

Resnet18

Classes	64	128	224	256	384	512
参数量
10	11191242	11191242	11191242	11191242	11191242	11191242
100	11237412	11237412	11237412	11237412	11237412	11237412
1000	11699112	11699112	11699112	11699112	11699112	11699112
计算量
10	148459008	593819136	1818559488	2375259648	5344327168	9501021696
100	148505088	593865216	1818605568	2375305728	5344373248	9501067776
1000	148965888	594326016	1819066368	2375766528	5344834048	9501528576

Resnet34

Classes	64	128	224	256	384	512
参数量
10	21306826	21306826	21306826	21306826	21306826	21306826
100	21352996	21352996	21352996	21352996	21352996	21352996
1000	21814696	21814696	21814696	21814696	21814696	21814696
计算量
10	299658752	1198618112	3670756352	4794455552	10787517952	19177805312
100	299704832	1198664192	3670802432	4794501632	10787564032	19177851392
1000	300165632	1199124992	3671263232	4794962432	10788024832	19178312192

Resnet50

Classes	64	128	224	256	384	512
参数量
10	23581642	23581642	23581642	23581642	23581642	23581642
100	23766052	23766052	23766052	23766052	23766052	23766052
1000	25610152	25610152	25610152	25610152	25610152	25610152
计算量
10	335489024	1341888512	4109487104	5367486464	12076816384	21469878272
100	335673344	1342072832	4109671424	5367670784	12077000704	21470062592
1000	337516544	1343916032	4111514624	5369513984	12078843904	21471905792

mobilenet_v1

Classes	64	128	224	256	384	512
参数量
10	3239114	3239114	3239114	3239114	3239114	3239114
100	3331364	3331364	3331364	3331364	3331364	3331364
1000	4253864	4253864	4253864	4253864	4253864	4253864
计算量
10	47182848	188697600	577863168	754756608	1698188288	3018992640
100	47275008	188789760	577955328	754848768	1698280448	3019084800
1000	48196608	189711360	578876928	755770368	1699202048	3020006400

vgg13

Classes	64	128	224	256	384	512
参数量
10	128991818	128991818	128991818	128991818	128991818	128991818
100	129360548	129360548	129360548	129360548	129360548	129360548
1000	1037705728	133047848	133047848	133047848	133047848	133047848
计算量
10	1033650688	3775791616	11316704256	14744380416	33025319936	58618710528
100	1034019328	3776160256	11317072896	14744749056	33025688576	58619079168
1000	337516544	3779846656	11320759296	14748435456	33029374976	58622765568

vgg16

Classes	64	128	224	256	384	512
参数量
10	134301514	134301514	134301514	134301514	134301514	134301514
100	134670244	134670244	134670244	134670244	134670244	134670244
1000	138357544	138357544	138357544	138357544	138357544	138357544
计算量
10	1373495808	5135172096	15479806976	20181902336	45259744256	80368798208
100	1373864448	5135540736	15480175616	20182270976	45260112896	80369166848
1000	1377550848	5139227136	15483862016	20185957376	45263799296	80372853248

vgg19

Classes	64	128	224	256	384	512
参数量
10	139611210	139611210	139611210	139611210	139611210	139611210
100	139979940	139979940	139979940	139979940	139979940	139979940
1000	143667240	143667240	143667240	143667240	143667240	143667240
计算量
10	1713340928	6494552576	19642909696	25619424256	57494168576	102118885888
100	1713709568	6494921216	19643278336	25619792896	57494537216	102119254528
1000	1717395968	6498607616	19646964736	25623479296	57498223616	102122940928