模型的参数量parameters和计算量FLOPs与MAC

首先要知道：一次卷积中，卷积核的通道数由输入通道数决定，卷积核的个数输出通道数决定

参数量

参数量指的可以训练的权重个数
一般卷积，BN，FC需要计算参数量，其他操作基本都是提前设置好的

卷积的参数量计算：

主要取决于卷积核的尺寸K
因此卷积操作的参数量为***卷积核尺寸K×K×输入通道数×输出通道数+输出通道数（偏置）***

BN的参数量计算

BN的需要训练的参数是缩放因子γ，和缩放偏移量β，BN在卷积操作之后，它是对卷积的输出通道进行缩放与平移，因此BN的参数量由输出通道数决定，为***2×输出通道数***

FC的参数量计算

FC的每个神经元都要与下一层的每个神经元进行连接，因此参数量为***输入通道数×输出通道数+输出通道数***

计算量

计算量指的需要进行的加乘操作的次数，有FLOPs与MAC两个指标，前者是浮点运算次数，后者是内存数据的进出量（也称内存访问成本）

FLOPs

卷积的FLOPs

输出特征图上的每个特征点都需要进行乘加操作，这个特征点算几次取决于卷积核，下式中减一是因为n个数相加需要n-1次加法，
一个特征点的FLOPs：（卷积核的尺寸K×K×输入通道数×2-1）
特征图上每个点的FLOPs：（卷积核的尺寸K×K×输入通道数×2-1）×特征图的宽×特征图的高×特征图的通道数（或者说是输出通道数）

FC的FLOPs

一个神经元的：2×输入通道数-1
输出通道数个神经元：（2×输入通道数-1）×输出通道数

MAC

卷积

需要把数据x与权重w读进来，把输出的特征图读出去，第一部分为输入特征图，第二部分为输出特征图，第三部分为权重

FC

需要用哪个衡量，取决于设备，嵌入式设备一般用MAC，读取比较快的设备，就用FLOPs衡量
pytorch有封装好的计算工具：https://github.com/sovrasov/flops-counter.pytorch

听讲解+自己的理解，欢迎批评指正！