CV笔记3:模型复杂度---浮点运算量(FLOPs)+模型参数量(parameters)+硬件性能(FLOPS)

目录

概念

单位换算

浮点运算量(FLOPs)和参数量(paremeters)的区别

深度学习框架FLOPs的组成

FLOPs没有考虑几个对速度有相当大影响的重要因素——MAC\并行度\平台

CNN的FLOPs计算公式

CNN的#paras计算公式

python计算FLOPs的库

参考

---

概念

FLOPS：注意全大写，是floating point operations per second的缩写，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：注意s小写，是floating point operations的缩写（s表复数），意指浮点运算数，理解为计算量。可以用来衡量算法/模型的复杂度。

单位换算

1 MFLOPs(mega) = 10^6 FLOPs，即：100万次浮点运算

1 GFLOPs(giga) = 10^9 FLOPs，即：10亿次浮点运算

1 TFLOPs(tera) = 10^12 FLOPs，即：1万亿次浮点运算

 

我们知道，通常我们去评价一个模型时，首先看的应该是它的精确度，当你精确度不行的时候，你和别人说我的模型预测的多么多么的快，部署的时候占的内存多么多么的小，都是白搭。但当你模型达到一定的精确度之后，就需要更进一步的评价指标来评价你模型：1）前向传播时所需的计算力，它反应了对硬件如GPU性能要求的高低；2）参数个数，它反应所占内存大小。为什么要加上这两个指标呢？因为这事关你模型算法的落地。比如你要在手机和汽车上部署深度学习模型，对模型大小和计算力就有严格要求。模型参数想必大家都知道是什么怎么算了，而前向传播时所需的计算力可能还会带有一点点疑问。所以这里总计一下前向传播时所需的计算力。它正是由FLOPs体现，那么FLOPs该怎么计算呢？

浮点运算量(FLOPs)和参数量(paremeters)的区别

浮点运算量是实际运算过程中的加减乘除计算过程中的计算次数，描述计算力；

参数量只是指的模型大小，和输入的图片大小无关，描述需要内存

深度学习框架FLOPs的组成

1.卷积运算Conv

2. BatchNorm

3. ReLu

4. Linear

5. Upsample

6. Poolings

其中，Conv所占的比重通常是最大的. 此外，它和输入图像的大小也有关系

FLOPs没有考虑几个对速度有相当大影响的重要因素——MAC\并行度\平台

1.MAC(Memory Access Cost)

比如：MAC(内存访问成本)，计算机在进行计算时候要加载到缓存中，然后再计算，这个加载过程是需要时间的。其中，分组卷积（group convolution）是对MAC消耗比较多的操作（例如AlexNet多GPU）。

2.并行度

第二个对速度有相当大影响的重要因素就是模型的并行度。

在相同的FLOPs下，具有高并行度的模型可能比具有低并行度的另一个模型快得多。如果网络的并行度较高，那么速度就会有显著的提升。

3.计算平台的不同

不同的运行平台，得到的FLOPs也不相同。有的平台会对操作进行优化，比如：cudnn加强了对3×3conv计算的优化。这样一来，不同平台的FLOPs大小确实没有什么说服力。

CNN的FLOPs计算公式

                

是卷积操作，为bias操作，2表示为MAC操作(包含累加及累乘)。H、W是输出的feature map的大小，  表示输入输出的通道数，K是卷积核大小。

来自NVIDIA论文https://arxiv.org/pdf/1611.06440.pdf

CNN的#paras计算公式

#paras=

 

python计算FLOPs的库

flops_counter

 

 

参考

https://zhuanlan.zhihu.com/p/144938518

https://www.zhihu.com/question/65305385/answer/641705098

https://zhuanlan.zhihu.com/p/144938518