【参数量（Params）与计算量(FLOPs)的计算】

---

前言

随着深度学习在工业领域的使用，也随着深度学习的进步，模型的复杂度对于衡量一个模型的好坏也至关重要，本文主要介绍一般情况下参数量（Params）与计算量(FLOPs)的计算。

---

一、参数量的计算

参数量主要用来形容模型的大小程度，类似于算法中的空间复杂度。

1.卷积层

计算公式如下：
params = Co×(Ci×Kw×Kh +1)
其中，Co代表输入的通道数，Ci代表输出的通道数，Kw×Kh为卷积核的大小，若卷积核有偏置项（Bias）则＋1，没有则不加。若卷积核为方形则Kw=Kh=K。

2.池化层

深度学习中，参数量一般是指随着训练可以不断进行自我调节大小的参数的数量。而池化层主要是用来采样，例如：最大池化，取一个filter中的最大值。所以池化层可以不用算参数量。

3.全连接层

计算公式如下：
params = （I+1)×O
其中，I为输入向量的维度也可以称作输入特征图的大小，O为输出向量的维度

二、计算量的计算

计算量原本用于形容硬件的性能，而在深度学习中用来形容模型执行的长短，类似宇算法中的时间复杂度。

1.卷积层

计算公式如下：
FLOPs = [Ci×Kw×Kh+(Ci×Kw×Kh-1) +1]×W×H×Co
其中Ci×Kw×Kh为一次卷积的乘法预算的计算量，(Ci×Kw×Kh-1)为一次卷积加法运算的计算量，+1为偏置项，W与H为特征图（feture map）的长和宽。
可简化为：
FLOPs = 2×Ci×Kw×Kh×W×H×Co
计算机视觉中常把一次乘法和加法合在一起，所以可以去掉前面乘的2。

2.池化层

计算公式如下：
FLOPs = H × W × Ci
其中H，W为特征图的（feture map)的高和宽，Ci为输入的通道数。

3.全连接层

计算公式如下：
FLOPs = [I + (I-1) + 1] × O = 2 × I × O
其中I为一次乘法，I-1为一次加法，+1为加上一个偏置项

---

总结

以上为一般情况下参数量和计算量的计算方法，当然还有很多细节与很多其他情况下的计算方法没有介绍，可用于快速评判一个模型的复杂度
由于本人还是一个新手，能力也有限，如果有错误，望指出，谢谢！