钰宸y

CNN计算Params和FLOPs的三种方式

1. 使用thop库
安装

pip install thop

举个例子

import cycle_generator0609
import torch
from thop import profile

model = cycle_generator0609.Generator(3, 3, 64)  # 自己的网络和参数
inputs = torch.randn(1, 3, 256, 256)  # input 输入
flops, params = profile(model, (inputs,))
print('flops: ', flops)
print('params: ', params)

输出为

D:\Anaconda3\envs\paddlepaddle\python.exe C:/Users/64883/Desktop/cycle_code/flops.py
[INFO] Register count_convNd() for <class 'torch.nn.modules.conv.Conv2d'>.
[INFO] Register count_normalization() for <class 'torch.nn.modules.batchnorm.BatchNorm2d'>.
[INFO] Register count_relu() for <class 'torch.nn.modules.activation.LeakyReLU'>.
[INFO] Register zero_ops() for <class 'torch.nn.modules.container.Sequential'>.
[INFO] Register zero_ops() for <class 'torch.nn.modules.pooling.MaxPool2d'>.
[INFO] Register count_normalization() for <class 'torch.nn.modules.instancenorm.InstanceNorm2d'>.
[INFO] Register count_convNd() for <class 'torch.nn.modules.conv.Conv1d'>.
[INFO] Register count_normalization() for <class 'torch.nn.modules.batchnorm.BatchNorm1d'>.
D:\Anaconda3\envs\paddlepaddle\lib\site-packages\torch\nn\functional.py:718: UserWarning: Named tensors and all their associated APIs are an experimental feature and subject to change. Please do not use them for anything important until they are released as stable. (Triggered internally at  ..\c10/core/TensorImpl.h:1156.)
  return torch.max_pool2d(input, kernel_size, stride, padding, dilation, ceil_mode)
torch.Size([1, 512, 32, 32]) torch.Size([1, 256, 64, 64])
flops:  40880313600.0
params:  7699107.0

2. 使用ptflops库
安装

pip install ptflops

举个例子

import cycle_generator0609
import torch
from ptflops import get_model_complexity_info

with torch.cuda.device(0):
  net = cycle_generator0609.Generator(3, 3, 64)  # 自己的网络和参数
  flops, params = get_model_complexity_info(net, (3, 256, 256), as_strings=True, print_per_layer_stat=True, verbose=True)
  print('Flops:  ', flops)
  print('Params: ', params)

输出为

Generator(
  7.7 M, 100.000% Params, 40.91 GMac, 100.000% MACs, 
  (rfrm1): RFRM(
    6.56 k, 0.085% Params, 434.11 MMac, 1.061% MACs, 
    (conv1): ConvINLReLU(
      160, 0.002% Params, 12.58 MMac, 0.031% MACs, 
      (conv_layer): Sequential(
        160, 0.002% Params, 12.58 MMac, 0.031% MACs, 
        (0): Conv2d(96, 0.001% Params, 6.29 MMac, 0.015% MACs, 3, 32, kernel_size=(1, 1), stride=(1, 1), bias=False)
        (1): BatchNorm2d(64, 0.001% Params, 4.19 MMac, 0.010% MACs, 32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
        (2): LeakyReLU(0, 0.000% Params, 2.1 MMac, 0.005% MACs, negative_slope=0.2, inplace=True)
      )
    )
    (conv2): ConvINLReLU(
      4.64 k, 0.060% Params, 305.14 MMac, 0.746% MACs, 
      (conv_layer): Sequential(
        4.64 k, 0.060% Params, 305.14 MMac, 0.746% MACs, 
        (0): Conv2d(4.61 k, 0.060% Params, 301.99 MMac, 0.738% MACs, 32, 16, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
        (1): BatchNorm2d(32, 0.000% Params, 2.1 MMac, 0.005% MACs, 16, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
        (2): LeakyReLU(0, 0.000% Params, 1.05 MMac, 0.003% MACs, negative_slope=0.2, inplace=True)
      )
    )
    (conv3): ConvINLReLU(
      1.17 k, 0.015% Params, 77.07 MMac, 0.188% MACs, 
      (conv_layer): Sequential(
        1.17 k, 0.015% Params, 77.07 MMac, 0.188% MACs, 
        (0): Conv2d(1.15 k, 0.015% Params, 75.5 MMac, 0.185% MACs, 16, 8, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
        (1): BatchNorm2d(16, 0.000% Params, 1.05 MMac, 0.003% MACs, 8, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
        (2): LeakyReLU(0, 0.000% Params, 524.29 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
      )
    )
    (conv4): ConvINLReLU(
      592, 0.008% Params, 39.32 MMac, 0.096% MACs, 
      (conv_layer): Sequential(
        592, 0.008% Params, 39.32 MMac, 0.096% MACs, 
        (0): Conv2d(576, 0.007% Params, 37.75 MMac, 0.092% MACs, 8, 8, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
        (1): BatchNorm2d(16, 0.000% Params, 1.05 MMac, 0.003% MACs, 8, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
        (2): LeakyReLU(0, 0.000% Params, 524.29 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
      )
    )
  )
  (eb1): EncoderBlock(
    45.44 k, 0.590% Params, 1.17 GMac, 2.865% MACs, 
    (rfrm): RFRM(
      8.51 k, 0.111% Params, 562.04 MMac, 1.374% MACs, 
      (conv1): ConvINLReLU(
        2.11 k, 0.027% Params, 140.51 MMac, 0.343% MACs, 
        (conv_layer): Sequential(
          2.11 k, 0.027% Params, 140.51 MMac, 0.343% MACs, 
          (0): Conv2d(2.05 k, 0.027% Params, 134.22 MMac, 0.328% MACs, 64, 32, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (1): BatchNorm2d(64, 0.001% Params, 4.19 MMac, 0.010% MACs, 32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 2.1 MMac, 0.005% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv2): ConvINLReLU(
        4.64 k, 0.060% Params, 305.14 MMac, 0.746% MACs, 
        (conv_layer): Sequential(
          4.64 k, 0.060% Params, 305.14 MMac, 0.746% MACs, 
          (0): Conv2d(4.61 k, 0.060% Params, 301.99 MMac, 0.738% MACs, 32, 16, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(32, 0.000% Params, 2.1 MMac, 0.005% MACs, 16, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 1.05 MMac, 0.003% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv3): ConvINLReLU(
        1.17 k, 0.015% Params, 77.07 MMac, 0.188% MACs, 
        (conv_layer): Sequential(
          1.17 k, 0.015% Params, 77.07 MMac, 0.188% MACs, 
          (0): Conv2d(1.15 k, 0.015% Params, 75.5 MMac, 0.185% MACs, 16, 8, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(16, 0.000% Params, 1.05 MMac, 0.003% MACs, 8, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 524.29 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv4): ConvINLReLU(
        592, 0.008% Params, 39.32 MMac, 0.096% MACs, 
        (conv_layer): Sequential(
          592, 0.008% Params, 39.32 MMac, 0.096% MACs, 
          (0): Conv2d(576, 0.007% Params, 37.75 MMac, 0.092% MACs, 8, 8, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(16, 0.000% Params, 1.05 MMac, 0.003% MACs, 8, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 524.29 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
    )
    (dsm): DSM(
      36.93 k, 0.480% Params, 610.27 MMac, 1.492% MACs, 
      (down): MaxPool2d(0, 0.000% Params, 4.19 MMac, 0.010% MACs, kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)
      (conv): ConvLReLU(
        36.93 k, 0.480% Params, 606.08 MMac, 1.481% MACs, 
        (conv_layer): Sequential(
          36.93 k, 0.480% Params, 606.08 MMac, 1.481% MACs, 
          (0): Conv2d(36.93 k, 0.480% Params, 605.03 MMac, 1.479% MACs, 64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
          (1): LeakyReLU(0, 0.000% Params, 1.05 MMac, 0.003% MACs, negative_slope=0.2, inplace=True)
        )
      )
    )
  )
  (eb2): EncoderBlock(
    177.28 k, 2.303% Params, 1.1 GMac, 2.678% MACs, 
    (rfrm): RFRM(
      29.7 k, 0.386% Params, 488.64 MMac, 1.194% MACs, 
      (conv1): ConvINLReLU(
        4.22 k, 0.055% Params, 70.25 MMac, 0.172% MACs, 
        (conv_layer): Sequential(
          4.22 k, 0.055% Params, 70.25 MMac, 0.172% MACs, 
          (0): Conv2d(4.1 k, 0.053% Params, 67.11 MMac, 0.164% MACs, 64, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (1): BatchNorm2d(128, 0.002% Params, 2.1 MMac, 0.005% MACs, 64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 1.05 MMac, 0.003% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv2): ConvINLReLU(
        18.5 k, 0.240% Params, 303.56 MMac, 0.742% MACs, 
        (conv_layer): Sequential(
          18.5 k, 0.240% Params, 303.56 MMac, 0.742% MACs, 
          (0): Conv2d(18.43 k, 0.239% Params, 301.99 MMac, 0.738% MACs, 64, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(64, 0.001% Params, 1.05 MMac, 0.003% MACs, 32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 524.29 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv3): ConvINLReLU(
        4.64 k, 0.060% Params, 76.28 MMac, 0.186% MACs, 
        (conv_layer): Sequential(
          4.64 k, 0.060% Params, 76.28 MMac, 0.186% MACs, 
          (0): Conv2d(4.61 k, 0.060% Params, 75.5 MMac, 0.185% MACs, 32, 16, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(32, 0.000% Params, 524.29 KMac, 0.001% MACs, 16, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 262.14 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv4): ConvINLReLU(
        2.34 k, 0.030% Params, 38.54 MMac, 0.094% MACs, 
        (conv_layer): Sequential(
          2.34 k, 0.030% Params, 38.54 MMac, 0.094% MACs, 
          (0): Conv2d(2.3 k, 0.030% Params, 37.75 MMac, 0.092% MACs, 16, 16, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(32, 0.000% Params, 524.29 KMac, 0.001% MACs, 16, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 262.14 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
    )
    (dsm): DSM(
      147.58 k, 1.917% Params, 607.13 MMac, 1.484% MACs, 
      (down): MaxPool2d(0, 0.000% Params, 2.1 MMac, 0.005% MACs, kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)
      (conv): ConvLReLU(
        147.58 k, 1.917% Params, 605.03 MMac, 1.479% MACs, 
        (conv_layer): Sequential(
          147.58 k, 1.917% Params, 605.03 MMac, 1.479% MACs, 
          (0): Conv2d(147.58 k, 1.917% Params, 604.5 MMac, 1.478% MACs, 128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
          (1): LeakyReLU(0, 0.000% Params, 524.29 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
    )
  )
  (eb3): EncoderBlock(
    708.35 k, 9.200% Params, 1.09 GMac, 2.667% MACs, 
    (rfrm): RFRM(
      118.27 k, 1.536% Params, 485.49 MMac, 1.187% MACs, 
      (conv1): ConvINLReLU(
        16.64 k, 0.216% Params, 68.68 MMac, 0.168% MACs, 
        (conv_layer): Sequential(
          16.64 k, 0.216% Params, 68.68 MMac, 0.168% MACs, 
          (0): Conv2d(16.38 k, 0.213% Params, 67.11 MMac, 0.164% MACs, 128, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (1): BatchNorm2d(256, 0.003% Params, 1.05 MMac, 0.003% MACs, 128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 524.29 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv2): ConvINLReLU(
        73.86 k, 0.959% Params, 302.78 MMac, 0.740% MACs, 
        (conv_layer): Sequential(
          73.86 k, 0.959% Params, 302.78 MMac, 0.740% MACs, 
          (0): Conv2d(73.73 k, 0.958% Params, 301.99 MMac, 0.738% MACs, 128, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(128, 0.002% Params, 524.29 KMac, 0.001% MACs, 64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 262.14 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv3): ConvINLReLU(
        18.5 k, 0.240% Params, 75.89 MMac, 0.186% MACs, 
        (conv_layer): Sequential(
          18.5 k, 0.240% Params, 75.89 MMac, 0.186% MACs, 
          (0): Conv2d(18.43 k, 0.239% Params, 75.5 MMac, 0.185% MACs, 64, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(64, 0.001% Params, 262.14 KMac, 0.001% MACs, 32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 131.07 KMac, 0.000% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv4): ConvINLReLU(
        9.28 k, 0.121% Params, 38.14 MMac, 0.093% MACs, 
        (conv_layer): Sequential(
          9.28 k, 0.121% Params, 38.14 MMac, 0.093% MACs, 
          (0): Conv2d(9.22 k, 0.120% Params, 37.75 MMac, 0.092% MACs, 32, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(64, 0.001% Params, 262.14 KMac, 0.001% MACs, 32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 131.07 KMac, 0.000% MACs, negative_slope=0.2, inplace=True)
        )
      )
    )
    (dsm): DSM(
      590.08 k, 7.664% Params, 605.55 MMac, 1.480% MACs, 
      (down): MaxPool2d(0, 0.000% Params, 1.05 MMac, 0.003% MACs, kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)
      (conv): ConvLReLU(
        590.08 k, 7.664% Params, 604.5 MMac, 1.478% MACs, 
        (conv_layer): Sequential(
          590.08 k, 7.664% Params, 604.5 MMac, 1.478% MACs, 
          (0): Conv2d(590.08 k, 7.664% Params, 604.24 MMac, 1.477% MACs, 256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
          (1): LeakyReLU(0, 0.000% Params, 262.14 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
    )
  )
  (rfrm2): RFRM(
    472.06 k, 6.131% Params, 483.92 MMac, 1.183% MACs, 
    (conv1): ConvINLReLU(
      66.05 k, 0.858% Params, 67.9 MMac, 0.166% MACs, 
      (conv_layer): Sequential(
        66.05 k, 0.858% Params, 67.9 MMac, 0.166% MACs, 
        (0): Conv2d(65.54 k, 0.851% Params, 67.11 MMac, 0.164% MACs, 256, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
        (1): BatchNorm2d(512, 0.007% Params, 524.29 KMac, 0.001% MACs, 256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
        (2): LeakyReLU(0, 0.000% Params, 262.14 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
      )
    )
    (conv2): ConvINLReLU(
      295.17 k, 3.834% Params, 302.38 MMac, 0.739% MACs, 
      (conv_layer): Sequential(
        295.17 k, 3.834% Params, 302.38 MMac, 0.739% MACs, 
        (0): Conv2d(294.91 k, 3.830% Params, 301.99 MMac, 0.738% MACs, 256, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
        (1): BatchNorm2d(256, 0.003% Params, 262.14 KMac, 0.001% MACs, 128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
        (2): LeakyReLU(0, 0.000% Params, 131.07 KMac, 0.000% MACs, negative_slope=0.2, inplace=True)
      )
    )
    (conv3): ConvINLReLU(
      73.86 k, 0.959% Params, 75.69 MMac, 0.185% MACs, 
      (conv_layer): Sequential(
        73.86 k, 0.959% Params, 75.69 MMac, 0.185% MACs, 
        (0): Conv2d(73.73 k, 0.958% Params, 75.5 MMac, 0.185% MACs, 128, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
        (1): BatchNorm2d(128, 0.002% Params, 131.07 KMac, 0.000% MACs, 64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
        (2): LeakyReLU(0, 0.000% Params, 65.54 KMac, 0.000% MACs, negative_slope=0.2, inplace=True)
      )
    )
    (conv4): ConvINLReLU(
      36.99 k, 0.480% Params, 37.95 MMac, 0.093% MACs, 
      (conv_layer): Sequential(
        36.99 k, 0.480% Params, 37.95 MMac, 0.093% MACs, 
        (0): Conv2d(36.86 k, 0.479% Params, 37.75 MMac, 0.092% MACs, 64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
        (1): BatchNorm2d(128, 0.002% Params, 131.07 KMac, 0.000% MACs, 64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
        (2): LeakyReLU(0, 0.000% Params, 65.54 KMac, 0.000% MACs, negative_slope=0.2, inplace=True)
      )
    )
  )
  (ftm): FTM(
    2.88 M, 37.472% Params, 2.49 GMac, 6.078% MACs, 
    (conv1): ConvLReLU(
      65.66 k, 0.853% Params, 263.17 KMac, 0.001% MACs, 
      (conv_layer): Sequential(
        65.66 k, 0.853% Params, 263.17 KMac, 0.001% MACs, 
        (0): Conv2d(65.66 k, 0.853% Params, 262.66 KMac, 0.001% MACs, 512, 128, kernel_size=(1, 1), stride=(1, 1))
        (1): LeakyReLU(0, 0.000% Params, 512.0 Mac, 0.000% MACs, negative_slope=0.2, inplace=True)
      )
    )
    (conv2): ConvLReLU(
      65.66 k, 0.853% Params, 263.17 KMac, 0.001% MACs, 
      (conv_layer): Sequential(
        65.66 k, 0.853% Params, 263.17 KMac, 0.001% MACs, 
        (0): Conv2d(65.66 k, 0.853% Params, 262.66 KMac, 0.001% MACs, 512, 128, kernel_size=(1, 1), stride=(1, 1))
        (1): LeakyReLU(0, 0.000% Params, 512.0 Mac, 0.000% MACs, negative_slope=0.2, inplace=True)
      )
    )
    (conv3): ConvLReLU(
      65.66 k, 0.853% Params, 1.05 MMac, 0.003% MACs, 
      (conv_layer): Sequential(
        65.66 k, 0.853% Params, 1.05 MMac, 0.003% MACs, 
        (0): Conv2d(65.66 k, 0.853% Params, 1.05 MMac, 0.003% MACs, 512, 128, kernel_size=(1, 1), stride=(1, 1))
        (1): LeakyReLU(0, 0.000% Params, 2.05 KMac, 0.000% MACs, negative_slope=0.2, inplace=True)
      )
    )
    (conv4): ConvLReLU(
      262.66 k, 3.412% Params, 263.17 KMac, 0.001% MACs, 
      (conv_layer): Sequential(
        262.66 k, 3.412% Params, 263.17 KMac, 0.001% MACs, 
        (0): Conv2d(262.66 k, 3.412% Params, 262.66 KMac, 0.001% MACs, 512, 512, kernel_size=(1, 1), stride=(1, 1))
        (1): LeakyReLU(0, 0.000% Params, 512.0 Mac, 0.000% MACs, negative_slope=0.2, inplace=True)
      )
    )
    (dconv1): DConvINLReLU(
      589.82 k, 7.661% Params, 604.24 MMac, 1.477% MACs, 
      (dblock): Sequential(
        589.82 k, 7.661% Params, 604.24 MMac, 1.477% MACs, 
        (0): Conv2d(589.82 k, 7.661% Params, 603.98 MMac, 1.476% MACs, 512, 128, kernel_size=(3, 3), stride=(1, 1), padding=(3, 3), dilation=(3, 3), bias=False)
        (1): InstanceNorm2d(0, 0.000% Params, 131.07 KMac, 0.000% MACs, 128, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False)
        (2): LeakyReLU(0, 0.000% Params, 131.07 KMac, 0.000% MACs, negative_slope=0.2, inplace=True)
      )
    )
    (dconv2): DConvINLReLU(
      589.82 k, 7.661% Params, 604.24 MMac, 1.477% MACs, 
      (dblock): Sequential(
        589.82 k, 7.661% Params, 604.24 MMac, 1.477% MACs, 
        (0): Conv2d(589.82 k, 7.661% Params, 603.98 MMac, 1.476% MACs, 512, 128, kernel_size=(3, 3), stride=(1, 1), padding=(6, 6), dilation=(6, 6), bias=False)
        (1): InstanceNorm2d(0, 0.000% Params, 131.07 KMac, 0.000% MACs, 128, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False)
        (2): LeakyReLU(0, 0.000% Params, 131.07 KMac, 0.000% MACs, negative_slope=0.2, inplace=True)
      )
    )
    (dconv3): DConvINLReLU(
      589.82 k, 7.661% Params, 604.24 MMac, 1.477% MACs, 
      (dblock): Sequential(
        589.82 k, 7.661% Params, 604.24 MMac, 1.477% MACs, 
        (0): Conv2d(589.82 k, 7.661% Params, 603.98 MMac, 1.476% MACs, 512, 128, kernel_size=(3, 3), stride=(1, 1), padding=(9, 9), dilation=(9, 9), bias=False)
        (1): InstanceNorm2d(0, 0.000% Params, 131.07 KMac, 0.000% MACs, 128, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False)
        (2): LeakyReLU(0, 0.000% Params, 131.07 KMac, 0.000% MACs, negative_slope=0.2, inplace=True)
      )
    )
    (conv5): ConvLReLU(
      655.87 k, 8.519% Params, 672.14 MMac, 1.643% MACs, 
      (conv_layer): Sequential(
        655.87 k, 8.519% Params, 672.14 MMac, 1.643% MACs, 
        (0): Conv2d(655.87 k, 8.519% Params, 671.61 MMac, 1.642% MACs, 1280, 512, kernel_size=(1, 1), stride=(1, 1))
        (1): LeakyReLU(0, 0.000% Params, 524.29 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
      )
    )
  )
  (db1): DecoderBlock(
    2.56 M, 33.277% Params, 10.49 GMac, 25.638% MACs, 
    (usm): USM(
      2.36 M, 30.650% Params, 9.67 GMac, 23.631% MACs, 
      (conv): ConvLReLU(
        2.36 M, 30.650% Params, 9.67 GMac, 23.631% MACs, 
        (conv_layer): Sequential(
          2.36 M, 30.650% Params, 9.67 GMac, 23.631% MACs, 
          (0): Conv2d(2.36 M, 30.650% Params, 9.67 GMac, 23.626% MACs, 512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
          (1): LeakyReLU(0, 0.000% Params, 2.1 MMac, 0.005% MACs, negative_slope=0.2, inplace=True)
        )
      )
    )
    (crm): CRM(
      2.05 k, 0.027% Params, 2.05 KMac, 0.000% MACs, 
      (conv1d): Conv1d(1.02 k, 0.013% Params, 1.02 KMac, 0.000% MACs, 512, 512, kernel_size=(2,), stride=(1,), groups=512, bias=False)
      (bn): BatchNorm1d(1.02 k, 0.013% Params, 1.02 KMac, 0.000% MACs, 512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    )
    (rfrm): RFRM(
      200.19 k, 2.600% Params, 821.04 MMac, 2.007% MACs, 
      (conv1): ConvINLReLU(
        98.56 k, 1.280% Params, 404.23 MMac, 0.988% MACs, 
        (conv_layer): Sequential(
          98.56 k, 1.280% Params, 404.23 MMac, 0.988% MACs, 
          (0): Conv2d(98.3 k, 1.277% Params, 402.65 MMac, 0.984% MACs, 768, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (1): BatchNorm2d(256, 0.003% Params, 1.05 MMac, 0.003% MACs, 128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 524.29 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv2): ConvINLReLU(
        73.86 k, 0.959% Params, 302.78 MMac, 0.740% MACs, 
        (conv_layer): Sequential(
          73.86 k, 0.959% Params, 302.78 MMac, 0.740% MACs, 
          (0): Conv2d(73.73 k, 0.958% Params, 301.99 MMac, 0.738% MACs, 128, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(128, 0.002% Params, 524.29 KMac, 0.001% MACs, 64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 262.14 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv3): ConvINLReLU(
        18.5 k, 0.240% Params, 75.89 MMac, 0.186% MACs, 
        (conv_layer): Sequential(
          18.5 k, 0.240% Params, 75.89 MMac, 0.186% MACs, 
          (0): Conv2d(18.43 k, 0.239% Params, 75.5 MMac, 0.185% MACs, 64, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(64, 0.001% Params, 262.14 KMac, 0.001% MACs, 32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 131.07 KMac, 0.000% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv4): ConvINLReLU(
        9.28 k, 0.121% Params, 38.14 MMac, 0.093% MACs, 
        (conv_layer): Sequential(
          9.28 k, 0.121% Params, 38.14 MMac, 0.093% MACs, 
          (0): Conv2d(9.22 k, 0.120% Params, 37.75 MMac, 0.092% MACs, 32, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(64, 0.001% Params, 262.14 KMac, 0.001% MACs, 32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 131.07 KMac, 0.000% MACs, negative_slope=0.2, inplace=True)
        )
      )
    )
  )
  (db2): DecoderBlock(
    641.28 k, 8.329% Params, 10.5 GMac, 25.656% MACs, 
    (usm): USM(
      590.08 k, 7.664% Params, 9.67 GMac, 23.642% MACs, 
      (conv): ConvLReLU(
        590.08 k, 7.664% Params, 9.67 GMac, 23.642% MACs, 
        (conv_layer): Sequential(
          590.08 k, 7.664% Params, 9.67 GMac, 23.642% MACs, 
          (0): Conv2d(590.08 k, 7.664% Params, 9.67 GMac, 23.631% MACs, 256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
          (1): LeakyReLU(0, 0.000% Params, 4.19 MMac, 0.010% MACs, negative_slope=0.2, inplace=True)
        )
      )
    )
    (crm): CRM(
      1.02 k, 0.013% Params, 1.02 KMac, 0.000% MACs, 
      (conv1d): Conv1d(512, 0.007% Params, 512.0 Mac, 0.000% MACs, 256, 256, kernel_size=(2,), stride=(1,), groups=256, bias=False)
      (bn): BatchNorm1d(512, 0.007% Params, 512.0 Mac, 0.000% MACs, 256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    )
    (rfrm): RFRM(
      50.18 k, 0.652% Params, 824.18 MMac, 2.015% MACs, 
      (conv1): ConvINLReLU(
        24.7 k, 0.321% Params, 405.8 MMac, 0.992% MACs, 
        (conv_layer): Sequential(
          24.7 k, 0.321% Params, 405.8 MMac, 0.992% MACs, 
          (0): Conv2d(24.58 k, 0.319% Params, 402.65 MMac, 0.984% MACs, 384, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (1): BatchNorm2d(128, 0.002% Params, 2.1 MMac, 0.005% MACs, 64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 1.05 MMac, 0.003% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv2): ConvINLReLU(
        18.5 k, 0.240% Params, 303.56 MMac, 0.742% MACs, 
        (conv_layer): Sequential(
          18.5 k, 0.240% Params, 303.56 MMac, 0.742% MACs, 
          (0): Conv2d(18.43 k, 0.239% Params, 301.99 MMac, 0.738% MACs, 64, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(64, 0.001% Params, 1.05 MMac, 0.003% MACs, 32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 524.29 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv3): ConvINLReLU(
        4.64 k, 0.060% Params, 76.28 MMac, 0.186% MACs, 
        (conv_layer): Sequential(
          4.64 k, 0.060% Params, 76.28 MMac, 0.186% MACs, 
          (0): Conv2d(4.61 k, 0.060% Params, 75.5 MMac, 0.185% MACs, 32, 16, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(32, 0.000% Params, 524.29 KMac, 0.001% MACs, 16, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 262.14 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv4): ConvINLReLU(
        2.34 k, 0.030% Params, 38.54 MMac, 0.094% MACs, 
        (conv_layer): Sequential(
          2.34 k, 0.030% Params, 38.54 MMac, 0.094% MACs, 
          (0): Conv2d(2.3 k, 0.030% Params, 37.75 MMac, 0.092% MACs, 16, 16, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(32, 0.000% Params, 524.29 KMac, 0.001% MACs, 16, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 262.14 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
    )
  )
  (db3): DecoderBlock(
    160.7 k, 2.087% Params, 10.51 GMac, 25.692% MACs, 
    (usm): USM(
      147.58 k, 1.917% Params, 9.68 GMac, 23.662% MACs, 
      (conv): ConvLReLU(
        147.58 k, 1.917% Params, 9.68 GMac, 23.662% MACs, 
        (conv_layer): Sequential(
          147.58 k, 1.917% Params, 9.68 GMac, 23.662% MACs, 
          (0): Conv2d(147.58 k, 1.917% Params, 9.67 GMac, 23.642% MACs, 128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
          (1): LeakyReLU(0, 0.000% Params, 8.39 MMac, 0.021% MACs, negative_slope=0.2, inplace=True)
        )
      )
    )
    (crm): CRM(
      512, 0.007% Params, 512.0 Mac, 0.000% MACs, 
      (conv1d): Conv1d(256, 0.003% Params, 256.0 Mac, 0.000% MACs, 128, 128, kernel_size=(2,), stride=(1,), groups=128, bias=False)
      (bn): BatchNorm1d(256, 0.003% Params, 256.0 Mac, 0.000% MACs, 128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    )
    (rfrm): RFRM(
      12.61 k, 0.164% Params, 830.47 MMac, 2.030% MACs, 
      (conv1): ConvINLReLU(
        6.21 k, 0.081% Params, 408.94 MMac, 1.000% MACs, 
        (conv_layer): Sequential(
          6.21 k, 0.081% Params, 408.94 MMac, 1.000% MACs, 
          (0): Conv2d(6.14 k, 0.080% Params, 402.65 MMac, 0.984% MACs, 192, 32, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (1): BatchNorm2d(64, 0.001% Params, 4.19 MMac, 0.010% MACs, 32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 2.1 MMac, 0.005% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv2): ConvINLReLU(
        4.64 k, 0.060% Params, 305.14 MMac, 0.746% MACs, 
        (conv_layer): Sequential(
          4.64 k, 0.060% Params, 305.14 MMac, 0.746% MACs, 
          (0): Conv2d(4.61 k, 0.060% Params, 301.99 MMac, 0.738% MACs, 32, 16, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(32, 0.000% Params, 2.1 MMac, 0.005% MACs, 16, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 1.05 MMac, 0.003% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv3): ConvINLReLU(
        1.17 k, 0.015% Params, 77.07 MMac, 0.188% MACs, 
        (conv_layer): Sequential(
          1.17 k, 0.015% Params, 77.07 MMac, 0.188% MACs, 
          (0): Conv2d(1.15 k, 0.015% Params, 75.5 MMac, 0.185% MACs, 16, 8, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(16, 0.000% Params, 1.05 MMac, 0.003% MACs, 8, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 524.29 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
      (conv4): ConvINLReLU(
        592, 0.008% Params, 39.32 MMac, 0.096% MACs, 
        (conv_layer): Sequential(
          592, 0.008% Params, 39.32 MMac, 0.096% MACs, 
          (0): Conv2d(576, 0.007% Params, 37.75 MMac, 0.092% MACs, 8, 8, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (1): BatchNorm2d(16, 0.000% Params, 1.05 MMac, 0.003% MACs, 8, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (2): LeakyReLU(0, 0.000% Params, 524.29 KMac, 0.001% MACs, negative_slope=0.2, inplace=True)
        )
      )
    )
  )
  (conv1): ConvLReLU(
    36.93 k, 0.480% Params, 2.42 GMac, 5.926% MACs, 
    (conv_layer): Sequential(
      36.93 k, 0.480% Params, 2.42 GMac, 5.926% MACs, 
      (0): Conv2d(36.93 k, 0.480% Params, 2.42 GMac, 5.916% MACs, 64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      (1): LeakyReLU(0, 0.000% Params, 4.19 MMac, 0.010% MACs, negative_slope=0.2, inplace=True)
    )
  )
  (conv2): ConvLReLU(
    3.46 k, 0.045% Params, 226.89 MMac, 0.555% MACs, 
    (conv_layer): Sequential(
      3.46 k, 0.045% Params, 226.89 MMac, 0.555% MACs, 
      (0): Conv2d(3.46 k, 0.045% Params, 226.69 MMac, 0.554% MACs, 128, 3, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      (1): LeakyReLU(0, 0.000% Params, 196.61 KMac, 0.000% MACs, negative_slope=0.2, inplace=True)
    )
  )
  (tanh): Tanh(0, 0.000% Params, 0.0 Mac, 0.000% MACs, )
)
Flops:   40.91 GMac
Params:  7.7 M

3. 使用ptflops库
安装

pip install torchstat

举个例子

from torchstat import stat
import cycle_generator0609
net = cycle_generator0609.Generator(3, 3, 64)
stat(net, (3, 256, 256))    # 输入图片的尺寸

输出为

                       module name   input shape output shape     params memory(MB)              MAdd             Flops  MemRead(B)  MemWrite(B) duration[%]     MemR+W(B)
0         rfrm1.conv1.conv_layer.0     3 256 256   32 256 256       96.0       8.00      10,485,760.0       6,291,456.0    786816.0    8388608.0       1.43%  9.175424e+06
1         rfrm1.conv1.conv_layer.1    32 256 256   32 256 256       64.0       8.00       8,388,608.0       4,194,304.0   8388864.0    8388608.0       0.57%  1.677747e+07
2         rfrm1.conv1.conv_layer.2    32 256 256   32 256 256        0.0       8.00               0.0       2,097,152.0   8388608.0    8388608.0       0.57%  1.677722e+07
3         rfrm1.conv2.conv_layer.0    32 256 256   16 256 256     4608.0       4.00     602,931,200.0     301,989,888.0   8407040.0    4194304.0       1.15%  1.260134e+07
4         rfrm1.conv2.conv_layer.1    16 256 256   16 256 256       32.0       4.00       4,194,304.0       2,097,152.0   4194432.0    4194304.0       0.29%  8.388736e+06
5         rfrm1.conv2.conv_layer.2    16 256 256   16 256 256        0.0       4.00               0.0       1,048,576.0   4194304.0    4194304.0       0.29%  8.388608e+06
6         rfrm1.conv3.conv_layer.0    16 256 256    8 256 256     1152.0       2.00     150,470,656.0      75,497,472.0   4198912.0    2097152.0       0.57%  6.296064e+06
7         rfrm1.conv3.conv_layer.1     8 256 256    8 256 256       16.0       2.00       2,097,152.0       1,048,576.0   2097216.0    2097152.0       0.29%  4.194368e+06
8         rfrm1.conv3.conv_layer.2     8 256 256    8 256 256        0.0       2.00               0.0         524,288.0   2097152.0    2097152.0       0.00%  4.194304e+06
9         rfrm1.conv4.conv_layer.0     8 256 256    8 256 256      576.0       2.00      74,973,184.0      37,748,736.0   2099456.0    2097152.0       0.57%  4.196608e+06
10        rfrm1.conv4.conv_layer.1     8 256 256    8 256 256       16.0       2.00       2,097,152.0       1,048,576.0   2097216.0    2097152.0       0.29%  4.194368e+06
11        rfrm1.conv4.conv_layer.2     8 256 256    8 256 256        0.0       2.00               0.0         524,288.0   2097152.0    2097152.0       0.00%  4.194304e+06
12     eb1.rfrm.conv1.conv_layer.0    64 256 256   32 256 256     2048.0       8.00     266,338,304.0     134,217,728.0  16785408.0    8388608.0       2.01%  2.517402e+07
13     eb1.rfrm.conv1.conv_layer.1    32 256 256   32 256 256       64.0       8.00       8,388,608.0       4,194,304.0   8388864.0    8388608.0       0.57%  1.677747e+07
14     eb1.rfrm.conv1.conv_layer.2    32 256 256   32 256 256        0.0       8.00               0.0       2,097,152.0   8388608.0    8388608.0       0.29%  1.677722e+07
15     eb1.rfrm.conv2.conv_layer.0    32 256 256   16 256 256     4608.0       4.00     602,931,200.0     301,989,888.0   8407040.0    4194304.0       0.86%  1.260134e+07
16     eb1.rfrm.conv2.conv_layer.1    16 256 256   16 256 256       32.0       4.00       4,194,304.0       2,097,152.0   4194432.0    4194304.0       0.57%  8.388736e+06
17     eb1.rfrm.conv2.conv_layer.2    16 256 256   16 256 256        0.0       4.00               0.0       1,048,576.0   4194304.0    4194304.0       0.30%  8.388608e+06
18     eb1.rfrm.conv3.conv_layer.0    16 256 256    8 256 256     1152.0       2.00     150,470,656.0      75,497,472.0   4198912.0    2097152.0       0.56%  6.296064e+06
19     eb1.rfrm.conv3.conv_layer.1     8 256 256    8 256 256       16.0       2.00       2,097,152.0       1,048,576.0   2097216.0    2097152.0       0.29%  4.194368e+06
20     eb1.rfrm.conv3.conv_layer.2     8 256 256    8 256 256        0.0       2.00               0.0         524,288.0   2097152.0    2097152.0       0.00%  4.194304e+06
21     eb1.rfrm.conv4.conv_layer.0     8 256 256    8 256 256      576.0       2.00      74,973,184.0      37,748,736.0   2099456.0    2097152.0       0.57%  4.196608e+06
22     eb1.rfrm.conv4.conv_layer.1     8 256 256    8 256 256       16.0       2.00       2,097,152.0       1,048,576.0   2097216.0    2097152.0       0.00%  4.194368e+06
23     eb1.rfrm.conv4.conv_layer.2     8 256 256    8 256 256        0.0       2.00               0.0         524,288.0   2097152.0    2097152.0       0.00%  4.194304e+06
24                    eb1.dsm.down    64 256 256   64 128 128        0.0       4.00       8,388,608.0       4,194,304.0  16777216.0    4194304.0       2.01%  2.097152e+07
25       eb1.dsm.conv.conv_layer.0    64 128 128   64 128 128    36928.0       4.00   1,207,959,552.0     605,028,352.0   4342016.0    4194304.0       1.43%  8.536320e+06
26       eb1.dsm.conv.conv_layer.1    64 128 128   64 128 128        0.0       4.00               0.0       1,048,576.0   4194304.0    4194304.0       0.29%  8.388608e+06
27     eb2.rfrm.conv1.conv_layer.0    64 128 128   64 128 128     4096.0       4.00     133,169,152.0      67,108,864.0   4210688.0    4194304.0       0.57%  8.404992e+06
28     eb2.rfrm.conv1.conv_layer.1    64 128 128   64 128 128      128.0       4.00       4,194,304.0       2,097,152.0   4194816.0    4194304.0       0.57%  8.389120e+06
29     eb2.rfrm.conv1.conv_layer.2    64 128 128   64 128 128        0.0       4.00               0.0       1,048,576.0   4194304.0    4194304.0       0.00%  8.388608e+06
30     eb2.rfrm.conv2.conv_layer.0    64 128 128   32 128 128    18432.0       2.00     603,455,488.0     301,989,888.0   4268032.0    2097152.0       0.86%  6.365184e+06
31     eb2.rfrm.conv2.conv_layer.1    32 128 128   32 128 128       64.0       2.00       2,097,152.0       1,048,576.0   2097408.0    2097152.0       0.29%  4.194560e+06
32     eb2.rfrm.conv2.conv_layer.2    32 128 128   32 128 128        0.0       2.00               0.0         524,288.0   2097152.0    2097152.0       0.00%  4.194304e+06
33     eb2.rfrm.conv3.conv_layer.0    32 128 128   16 128 128     4608.0       1.00     150,732,800.0      75,497,472.0   2115584.0    1048576.0       0.57%  3.164160e+06
34     eb2.rfrm.conv3.conv_layer.1    16 128 128   16 128 128       32.0       1.00       1,048,576.0         524,288.0   1048704.0    1048576.0       0.00%  2.097280e+06
35     eb2.rfrm.conv3.conv_layer.2    16 128 128   16 128 128        0.0       1.00               0.0         262,144.0   1048576.0    1048576.0       0.00%  2.097152e+06
36     eb2.rfrm.conv4.conv_layer.0    16 128 128   16 128 128     2304.0       1.00      75,235,328.0      37,748,736.0   1057792.0    1048576.0       0.29%  2.106368e+06
37     eb2.rfrm.conv4.conv_layer.1    16 128 128   16 128 128       32.0       1.00       1,048,576.0         524,288.0   1048704.0    1048576.0       0.00%  2.097280e+06
38     eb2.rfrm.conv4.conv_layer.2    16 128 128   16 128 128        0.0       1.00               0.0         262,144.0   1048576.0    1048576.0       0.00%  2.097152e+06
39                    eb2.dsm.down   128 128 128  128  64  64        0.0       2.00       4,194,304.0       2,097,152.0   8388608.0    2097152.0       0.86%  1.048576e+07
40       eb2.dsm.conv.conv_layer.0   128  64  64  128  64  64   147584.0       2.00   1,207,959,552.0     604,504,064.0   2687488.0    2097152.0       1.15%  4.784640e+06
41       eb2.dsm.conv.conv_layer.1   128  64  64  128  64  64        0.0       2.00               0.0         524,288.0   2097152.0    2097152.0       0.00%  4.194304e+06
42     eb3.rfrm.conv1.conv_layer.0   128  64  64  128  64  64    16384.0       2.00     133,693,440.0      67,108,864.0   2162688.0    2097152.0       0.57%  4.259840e+06
43     eb3.rfrm.conv1.conv_layer.1   128  64  64  128  64  64      256.0       2.00       2,097,152.0       1,048,576.0   2098176.0    2097152.0       0.29%  4.195328e+06
44     eb3.rfrm.conv1.conv_layer.2   128  64  64  128  64  64        0.0       2.00               0.0         524,288.0   2097152.0    2097152.0       0.00%  4.194304e+06
45     eb3.rfrm.conv2.conv_layer.0   128  64  64   64  64  64    73728.0       1.00     603,717,632.0     301,989,888.0   2392064.0    1048576.0       0.86%  3.440640e+06
46     eb3.rfrm.conv2.conv_layer.1    64  64  64   64  64  64      128.0       1.00       1,048,576.0         524,288.0   1049088.0    1048576.0       0.00%  2.097664e+06
47     eb3.rfrm.conv2.conv_layer.2    64  64  64   64  64  64        0.0       1.00               0.0         262,144.0   1048576.0    1048576.0       0.00%  2.097152e+06
48     eb3.rfrm.conv3.conv_layer.0    64  64  64   32  64  64    18432.0       0.50     150,863,872.0      75,497,472.0   1122304.0     524288.0       0.29%  1.646592e+06
49     eb3.rfrm.conv3.conv_layer.1    32  64  64   32  64  64       64.0       0.50         524,288.0         262,144.0    524544.0     524288.0       0.00%  1.048832e+06
50     eb3.rfrm.conv3.conv_layer.2    32  64  64   32  64  64        0.0       0.50               0.0         131,072.0    524288.0     524288.0       0.00%  1.048576e+06
51     eb3.rfrm.conv4.conv_layer.0    32  64  64   32  64  64     9216.0       0.50      75,366,400.0      37,748,736.0    561152.0     524288.0       0.29%  1.085440e+06
52     eb3.rfrm.conv4.conv_layer.1    32  64  64   32  64  64       64.0       0.50         524,288.0         262,144.0    524544.0     524288.0       0.00%  1.048832e+06
53     eb3.rfrm.conv4.conv_layer.2    32  64  64   32  64  64        0.0       0.50               0.0         131,072.0    524288.0     524288.0       0.00%  1.048576e+06
54                    eb3.dsm.down   256  64  64  256  32  32        0.0       1.00       2,097,152.0       1,048,576.0   4194304.0    1048576.0       0.29%  5.242880e+06
55       eb3.dsm.conv.conv_layer.0   256  32  32  256  32  32   590080.0       1.00   1,207,959,552.0     604,241,920.0   3408896.0    1048576.0       0.86%  4.457472e+06
56       eb3.dsm.conv.conv_layer.1   256  32  32  256  32  32        0.0       1.00               0.0         262,144.0   1048576.0    1048576.0       0.00%  2.097152e+06
57        rfrm2.conv1.conv_layer.0   256  32  32  256  32  32    65536.0       1.00     133,955,584.0      67,108,864.0   1310720.0    1048576.0       0.29%  2.359296e+06
58        rfrm2.conv1.conv_layer.1   256  32  32  256  32  32      512.0       1.00       1,048,576.0         524,288.0   1050624.0    1048576.0       0.00%  2.099200e+06
59        rfrm2.conv1.conv_layer.2   256  32  32  256  32  32        0.0       1.00               0.0         262,144.0   1048576.0    1048576.0       0.29%  2.097152e+06
60        rfrm2.conv2.conv_layer.0   256  32  32  128  32  32   294912.0       0.50     603,848,704.0     301,989,888.0   2228224.0     524288.0       0.57%  2.752512e+06
61        rfrm2.conv2.conv_layer.1   128  32  32  128  32  32      256.0       0.50         524,288.0         262,144.0    525312.0     524288.0       0.00%  1.049600e+06
62        rfrm2.conv2.conv_layer.2   128  32  32  128  32  32        0.0       0.50               0.0         131,072.0    524288.0     524288.0       0.00%  1.048576e+06
63        rfrm2.conv3.conv_layer.0   128  32  32   64  32  32    73728.0       0.25     150,929,408.0      75,497,472.0    819200.0     262144.0       0.29%  1.081344e+06
64        rfrm2.conv3.conv_layer.1    64  32  32   64  32  32      128.0       0.25         262,144.0         131,072.0    262656.0     262144.0       0.00%  5.248000e+05
65        rfrm2.conv3.conv_layer.2    64  32  32   64  32  32        0.0       0.25               0.0          65,536.0    262144.0     262144.0       0.29%  5.242880e+05
66        rfrm2.conv4.conv_layer.0    64  32  32   64  32  32    36864.0       0.25      75,431,936.0      37,748,736.0    409600.0     262144.0       0.00%  6.717440e+05
67        rfrm2.conv4.conv_layer.1    64  32  32   64  32  32      128.0       0.25         262,144.0         131,072.0    262656.0     262144.0       0.00%  5.248000e+05
68        rfrm2.conv4.conv_layer.2    64  32  32   64  32  32        0.0       0.25               0.0          65,536.0    262144.0     262144.0       0.29%  5.242880e+05
69          ftm.conv1.conv_layer.0   512   2   2  128   2   2    65664.0       0.00         524,288.0         262,656.0    270848.0       2048.0       0.29%  2.728960e+05
70          ftm.conv1.conv_layer.1   128   2   2  128   2   2        0.0       0.00               0.0             512.0      2048.0       2048.0       0.00%  4.096000e+03
71          ftm.conv2.conv_layer.0   512   2   2  128   2   2    65664.0       0.00         524,288.0         262,656.0    270848.0       2048.0       0.29%  2.728960e+05
72          ftm.conv2.conv_layer.1   128   2   2  128   2   2        0.0       0.00               0.0             512.0      2048.0       2048.0       0.00%  4.096000e+03
73          ftm.conv3.conv_layer.0   512   4   4  128   4   4    65664.0       0.01       2,097,152.0       1,050,624.0    295424.0       8192.0       0.00%  3.036160e+05
74          ftm.conv3.conv_layer.1   128   4   4  128   4   4        0.0       0.01               0.0           2,048.0      8192.0       8192.0       0.00%  1.638400e+04
75          ftm.conv4.conv_layer.0   512   1   1  512   1   1   262656.0       0.00         524,288.0         262,656.0   1052672.0       2048.0       0.29%  1.054720e+06
76          ftm.conv4.conv_layer.1   512   1   1  512   1   1        0.0       0.00               0.0             512.0      2048.0       2048.0       0.00%  4.096000e+03
77             ftm.dconv1.dblock.0   512  32  32  128  32  32   589824.0       0.50   1,207,828,480.0     603,979,776.0   4456448.0     524288.0       1.15%  4.980736e+06
78             ftm.dconv1.dblock.1   128  32  32  128  32  32        0.0       0.50               0.0               0.0         0.0          0.0       0.00%  0.000000e+00
79             ftm.dconv1.dblock.2   128  32  32  128  32  32        0.0       0.50               0.0         131,072.0    524288.0     524288.0       0.00%  1.048576e+06
80             ftm.dconv2.dblock.0   512  32  32  128  32  32   589824.0       0.50   1,207,828,480.0     603,979,776.0   4456448.0     524288.0       4.58%  4.980736e+06
81             ftm.dconv2.dblock.1   128  32  32  128  32  32        0.0       0.50               0.0               0.0         0.0          0.0       0.00%  0.000000e+00
82             ftm.dconv2.dblock.2   128  32  32  128  32  32        0.0       0.50               0.0         131,072.0    524288.0     524288.0       0.00%  1.048576e+06
83             ftm.dconv3.dblock.0   512  32  32  128  32  32   589824.0       0.50   1,207,828,480.0     603,979,776.0   4456448.0     524288.0       1.15%  4.980736e+06
84             ftm.dconv3.dblock.1   128  32  32  128  32  32        0.0       0.50               0.0               0.0         0.0          0.0       0.00%  0.000000e+00
85             ftm.dconv3.dblock.2   128  32  32  128  32  32        0.0       0.50               0.0         131,072.0    524288.0     524288.0       0.00%  1.048576e+06
86          ftm.conv5.conv_layer.0  1280  32  32  512  32  32   655872.0       2.00   1,342,177,280.0     671,612,928.0   7866368.0    2097152.0       1.15%  9.963520e+06
87          ftm.conv5.conv_layer.1   512  32  32  512  32  32        0.0       2.00               0.0         524,288.0   2097152.0    2097152.0       0.00%  4.194304e+06
88       db1.usm.conv.conv_layer.0   512  64  64  512  64  64  2359808.0       8.00  19,327,352,832.0   9,665,773,568.0  17827840.0    8388608.0      10.60%  2.621645e+07
89       db1.usm.conv.conv_layer.1   512  64  64  512  64  64        0.0       8.00               0.0       2,097,152.0   8388608.0    8388608.0       0.00%  1.677722e+07
90                  db1.crm.conv1d       512   2      512   1     1024.0       0.00               0.0               0.0         0.0          0.0       0.00%  0.000000e+00
91                      db1.crm.bn       512   1      512   1     1024.0       0.00               0.0               0.0         0.0          0.0       0.00%  0.000000e+00
92     db1.rfrm.conv1.conv_layer.0   768  64  64  128  64  64    98304.0       2.00     804,782,080.0     402,653,184.0  12976128.0    2097152.0       1.43%  1.507328e+07
93     db1.rfrm.conv1.conv_layer.1   128  64  64  128  64  64      256.0       2.00       2,097,152.0       1,048,576.0   2098176.0    2097152.0       0.29%  4.195328e+06
94     db1.rfrm.conv1.conv_layer.2   128  64  64  128  64  64        0.0       2.00               0.0         524,288.0   2097152.0    2097152.0       0.00%  4.194304e+06
95     db1.rfrm.conv2.conv_layer.0   128  64  64   64  64  64    73728.0       1.00     603,717,632.0     301,989,888.0   2392064.0    1048576.0       1.15%  3.440640e+06
96     db1.rfrm.conv2.conv_layer.1    64  64  64   64  64  64      128.0       1.00       1,048,576.0         524,288.0   1049088.0    1048576.0       0.00%  2.097664e+06
97     db1.rfrm.conv2.conv_layer.2    64  64  64   64  64  64        0.0       1.00               0.0         262,144.0   1048576.0    1048576.0       0.00%  2.097152e+06
98     db1.rfrm.conv3.conv_layer.0    64  64  64   32  64  64    18432.0       0.50     150,863,872.0      75,497,472.0   1122304.0     524288.0       0.29%  1.646592e+06
99     db1.rfrm.conv3.conv_layer.1    32  64  64   32  64  64       64.0       0.50         524,288.0         262,144.0    524544.0     524288.0       0.00%  1.048832e+06
100    db1.rfrm.conv3.conv_layer.2    32  64  64   32  64  64        0.0       0.50               0.0         131,072.0    524288.0     524288.0       0.00%  1.048576e+06
101    db1.rfrm.conv4.conv_layer.0    32  64  64   32  64  64     9216.0       0.50      75,366,400.0      37,748,736.0    561152.0     524288.0       0.29%  1.085440e+06
102    db1.rfrm.conv4.conv_layer.1    32  64  64   32  64  64       64.0       0.50         524,288.0         262,144.0    524544.0     524288.0       0.00%  1.048832e+06
103    db1.rfrm.conv4.conv_layer.2    32  64  64   32  64  64        0.0       0.50               0.0         131,072.0    524288.0     524288.0       0.00%  1.048576e+06
104      db2.usm.conv.conv_layer.0   256 128 128  256 128 128   590080.0      16.00  19,327,352,832.0   9,667,870,720.0  19137536.0   16777216.0      12.32%  3.591475e+07
105      db2.usm.conv.conv_layer.1   256 128 128  256 128 128        0.0      16.00               0.0       4,194,304.0  16777216.0   16777216.0       0.29%  3.355443e+07
106                 db2.crm.conv1d       256   2      256   1      512.0       0.00               0.0               0.0         0.0          0.0       0.00%  0.000000e+00
107                     db2.crm.bn       256   1      256   1      512.0       0.00               0.0               0.0         0.0          0.0       0.00%  0.000000e+00
108    db2.rfrm.conv1.conv_layer.0   384 128 128   64 128 128    24576.0       4.00     804,257,792.0     402,653,184.0  25264128.0    4194304.0       2.58%  2.945843e+07
109    db2.rfrm.conv1.conv_layer.1    64 128 128   64 128 128      128.0       4.00       4,194,304.0       2,097,152.0   4194816.0    4194304.0       0.29%  8.389120e+06
110    db2.rfrm.conv1.conv_layer.2    64 128 128   64 128 128        0.0       4.00               0.0       1,048,576.0   4194304.0    4194304.0       0.00%  8.388608e+06
111    db2.rfrm.conv2.conv_layer.0    64 128 128   32 128 128    18432.0       2.00     603,455,488.0     301,989,888.0   4268032.0    2097152.0       0.57%  6.365184e+06
112    db2.rfrm.conv2.conv_layer.1    32 128 128   32 128 128       64.0       2.00       2,097,152.0       1,048,576.0   2097408.0    2097152.0       0.29%  4.194560e+06
113    db2.rfrm.conv2.conv_layer.2    32 128 128   32 128 128        0.0       2.00               0.0         524,288.0   2097152.0    2097152.0       0.00%  4.194304e+06
114    db2.rfrm.conv3.conv_layer.0    32 128 128   16 128 128     4608.0       1.00     150,732,800.0      75,497,472.0   2115584.0    1048576.0       0.57%  3.164160e+06
115    db2.rfrm.conv3.conv_layer.1    16 128 128   16 128 128       32.0       1.00       1,048,576.0         524,288.0   1048704.0    1048576.0       0.00%  2.097280e+06
116    db2.rfrm.conv3.conv_layer.2    16 128 128   16 128 128        0.0       1.00               0.0         262,144.0   1048576.0    1048576.0       0.00%  2.097152e+06
117    db2.rfrm.conv4.conv_layer.0    16 128 128   16 128 128     2304.0       1.00      75,235,328.0      37,748,736.0   1057792.0    1048576.0       0.29%  2.106368e+06
118    db2.rfrm.conv4.conv_layer.1    16 128 128   16 128 128       32.0       1.00       1,048,576.0         524,288.0   1048704.0    1048576.0       0.29%  2.097280e+06
119    db2.rfrm.conv4.conv_layer.2    16 128 128   16 128 128        0.0       1.00               0.0         262,144.0   1048576.0    1048576.0       0.00%  2.097152e+06
120      db3.usm.conv.conv_layer.0   128 256 256  128 256 256   147584.0      32.00  19,327,352,832.0   9,672,065,024.0  34144768.0   33554432.0      13.18%  6.769920e+07
121      db3.usm.conv.conv_layer.1   128 256 256  128 256 256        0.0      32.00               0.0       8,388,608.0  33554432.0   33554432.0       0.86%  6.710886e+07
122                 db3.crm.conv1d       128   2      128   1      256.0       0.00               0.0               0.0         0.0          0.0       0.00%  0.000000e+00
123                     db3.crm.bn       128   1      128   1      256.0       0.00               0.0               0.0         0.0          0.0       0.29%  0.000000e+00
124    db3.rfrm.conv1.conv_layer.0   192 256 256   32 256 256     6144.0       8.00     803,209,216.0     402,653,184.0  50356224.0    8388608.0       5.44%  5.874483e+07
125    db3.rfrm.conv1.conv_layer.1    32 256 256   32 256 256       64.0       8.00       8,388,608.0       4,194,304.0   8388864.0    8388608.0       0.57%  1.677747e+07
126    db3.rfrm.conv1.conv_layer.2    32 256 256   32 256 256        0.0       8.00               0.0       2,097,152.0   8388608.0    8388608.0       0.29%  1.677722e+07
127    db3.rfrm.conv2.conv_layer.0    32 256 256   16 256 256     4608.0       4.00     602,931,200.0     301,989,888.0   8407040.0    4194304.0       1.43%  1.260134e+07
128    db3.rfrm.conv2.conv_layer.1    16 256 256   16 256 256       32.0       4.00       4,194,304.0       2,097,152.0   4194432.0    4194304.0       0.29%  8.388736e+06
129    db3.rfrm.conv2.conv_layer.2    16 256 256   16 256 256        0.0       4.00               0.0       1,048,576.0   4194304.0    4194304.0       0.29%  8.388608e+06
130    db3.rfrm.conv3.conv_layer.0    16 256 256    8 256 256     1152.0       2.00     150,470,656.0      75,497,472.0   4198912.0    2097152.0       0.57%  6.296064e+06
131    db3.rfrm.conv3.conv_layer.1     8 256 256    8 256 256       16.0       2.00       2,097,152.0       1,048,576.0   2097216.0    2097152.0       0.29%  4.194368e+06
132    db3.rfrm.conv3.conv_layer.2     8 256 256    8 256 256        0.0       2.00               0.0         524,288.0   2097152.0    2097152.0       0.00%  4.194304e+06
133    db3.rfrm.conv4.conv_layer.0     8 256 256    8 256 256      576.0       2.00      74,973,184.0      37,748,736.0   2099456.0    2097152.0       0.57%  4.196608e+06
134    db3.rfrm.conv4.conv_layer.1     8 256 256    8 256 256       16.0       2.00       2,097,152.0       1,048,576.0   2097216.0    2097152.0       0.29%  4.194368e+06
135    db3.rfrm.conv4.conv_layer.2     8 256 256    8 256 256        0.0       2.00               0.0         524,288.0   2097152.0    2097152.0       0.29%  4.194304e+06
136             conv1.conv_layer.0    64 256 256   64 256 256    36928.0      16.00   4,831,838,208.0   2,420,113,408.0  16924928.0   16777216.0       4.87%  3.370214e+07
137             conv1.conv_layer.1    64 256 256   64 256 256        0.0      16.00               0.0       4,194,304.0  16777216.0   16777216.0       0.29%  3.355443e+07
138             conv2.conv_layer.0   128 256 256    3 256 256     3459.0       0.75     452,984,832.0     226,689,024.0  33568268.0     786432.0       3.44%  3.435470e+07
139             conv2.conv_layer.1     3 256 256    3 256 256        0.0       0.75               0.0         196,608.0    786432.0     786432.0       0.00%  1.572864e+06
140                           tanh     3 256 256    3 256 256        0.0       0.75               0.0               0.0         0.0          0.0       0.00%  0.000000e+00
total                                                          7699107.0     397.78  81,676,337,152.0  40,910,724,096.0         0.0          0.0     100.00%  1.026237e+09
==========================================================================================================================================================================
Total params: 7,699,107
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Total memory: 397.78MB
Total MAdd: 81.68GMAdd
Total Flops: 40.91GFlops
Total MemR+W: 978.7MB

【Total params】网络的整体参数量
【Total memory】模型进行推理时候所需的内存
【Total Flops】网络完成的浮点运算
【Total MAdd】网络完成的乘加操作的数量。
一次乘加=一次乘法+一次加法，可以大致认为（Flops ≈2* MAdd）
【MemR+W】MemR+W = MemRead + MemWrite
（MemRead：网络运行时，从内存中读取的大小）
（MemWrite：网络运行时，写入到内存中的大小）

参考链接1
参考链接2

你可能感兴趣的:(cnn,python,人工智能)

222222222222222 智能与优化开发语言
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas是基于Nu
python 商城性能,python商城项目总结 Yvetzy python 商城性能
importhashlib#实例化md5对象md5=hashlib.md5()#md5.update()方法的参数必须是字节型数据md5.update(bytes(request.POST['password'],encoding="UTF-8"))#以16进制格式存储md5.hexdigest()'''这里有个坑必须注意：md5.update()方法会将每次加密的字符进行拼接，所以每次加密前都要
用Python写一个商城系统潮水岩
如果要用Python写一个商城系统，可以先定义需要实现的功能，再按照功能模块分别进行开发。下面是一个简单的开发流程：数据模型设计：需要定义商品、订单、用户等数据模型，并且将它们存储在数据库中。用户模块：用户可以注册、登录、查看个人信息、修改密码等。商品模块：商家可以发布商品、管理商品信息、查看商品列表等；用户可以查看商品详情、加入购物车等。订单模块：用户可以下单、查看订单详情、取消订单、评价订单等
python pandas 读取数据库_Python+Pandas 获取数据库并加入DataFrame的实例 weixin_39955149 python pandas 读取数据库
Python+Pandas获取数据库并加入DataFrame的实例实例如下所示：importpandasaspdimportsysimportimpimp.reload(sys)fromsqlalchemyimportcreate_engineimportcx_Oracledb=cx_Oracle.connect('userid','password','10.10.1.10:1521/dbins
python导出结果_Python连接Oracle数据查询导出结果 weixin_39712821 python导出结果
python连接oracle，需用用到模块cx_oracle，可以直接pip安装，如网络不好，可下载离线后本地安装本人由于工作需要，期望便捷查询所得结果，且固定输出某个格式具体代码如下：#!coding:utf-8importcx_Oracleconn=cx_Oracle.connect('username/password@IP/连接名')cur=conn.cursor()cur.execute
Python—kafka操作蓝魔Y Python编程 kafka
文档结构1、概念简介2、环境搭建3、操作实践1、概念简介2、环境搭建接口手册：https://kafka-python.readthedocs.io/en/master/Python操作kafka的模块为：kafka-python模块安装pipinstallkafka-python3、操作实践=============================================over====
python使用kafka原理详解_Python操作Kafka原理及使用详解形象顧問Aking
Python操作Kafka原理及使用详解一、什么是KafkaKafka是一个分布式流处理系统，流处理系统使它可以像消息队列一样publish或者subscribe消息，分布式提供了容错性，并发处理消息的机制二、Kafka的基本概念kafka运行在集群上，集群包含一个或多个服务器。kafka把消息存在topic中，每一条消息包含键值(key)，值(value)和时间戳(timestamp)。kafk
python把oracle的查询结果导出为insert语句优游的鱼 oracle python 数据库开发语言
可以使用cx_Oracle库在Python中连接Oracle数据库并执行查询。然后，可以使用pandas库将查询结果读取为DataFrame，并使用to_sql()方法将其导出为insert语句。示例代码如下：importcx_Oracleimportpandasaspd#ConnecttoOracledatabaseconn=cx_Oracle.connect('username/passwor
python画出roc曲线 auc计算逻辑_Python画ROC曲线和AUC值计算路过炊烟 python画出roc曲线 auc计算逻辑
前言ROC(ReceiverOperatingCharacteristic)曲线和AUC常被用来评价一个二值分类器(binaryclassifier)的优劣。这篇文章将先简单的介绍ROC和AUC，而后用实例演示如何python作出ROC曲线图以及计算AUC。AUC介绍AUC(AreaUnderCurve)是机器学习二分类模型中非常常用的评估指标，相比于F1-Score对项目的不平衡有更大的容忍性，
【spug】使用勤不了一点 CI/CD python django ci/cd 运维 devops
目录简介下载与安装初始化配置启动与日志版本更新登录与使用工作台主机管理批量执行配置中心应用发布系统管理监控与告警使用问题简介手动部署|Spugwalle的升级版本轻量级无Agent主机管理主机批量执行主机在线终端文件在线上传下载应用发布部署在线任务计划配置中心监控报警如果有测试错误请指出。下载与安装测试环境：Python3.7.8CentOSLinuxrelease7.4.1708(Core)sp
记一次从mysql数据迁移到oralce （基于python和pandas） qq_36532060 mysql oracle pandas python
记一次从mysql数据迁移到oralce（基于python）前景提要具体实现创建数据库链接读取mysql数据写入orcale结语前景提要公司最近有个从mysql迁移数据到oracle的需求，于是进行了一下方案调研和分析，但作为一个之前从没接触过Oracle的人真的感到好难，但再难也难上，这篇文章主要是记录一下做这件事时遇到的坑以及分享一下最终的方案及代码。具体实现创建数据库链接其实我觉得这个算是最
python调用kafka smile__su python python kafka
先启动hadoop，zookeeper，kafka启动命令hadoop启动命令sbin/start-all.shzookeeper启动命令./bin/zkServer.shstart每台机器都要启动kafka启动命令bin/kafka-server-start.shconfig/server.properties每台机器都要启动进行以下操作的前提是将hadoop，zookeeper，kafka安装
python实现从oracle数据库查询数据生成excel透视表发送outlook niceme！ python
#-*-coding:utf-8-*-#http://pypi.cq.pegatroncorp.com/simple--trusted-hostpypi.cq.pegatroncorp.comimportchardetimportdatetimeimporttimeimportxlwtimportwin32com.clientaswin32fromwin32com.clientimportcons
pip 与当前python环境版本不匹配，python安装库成功，还是提示没有该库灿灿的金 python pip 开发语言
解决pip版本不一致在使用pip命令前加上python-m即可让pip版本和当前python版本一致因此,当使用pip安装依赖时,需要在命令前添加python-m来配合使用,比如安装一个pillow库,命令如下python-mpipinstallpillow你同时安装了python2和python3pipinstallPillow可能下载的是python3的库，而你代码跑的是python2可以通过
【Python-ML】SKlearn库性能指标ROC-AUC fjssharpsword Big data python专栏
#-*-coding:utf-8-*-'''Createdon2018年1月19日@author:Jason.F@summary:ROC(receiveroperatorcharacteristic，基于模型真正率和假正率等性能指标评估分类模型'''importpandasaspdfromsklearn.preprocessingimportLabelEncoderfromsklearn.cros
使用Python导出Oracle数据库数据表目录 SeanData Python 数据分析 python oracle 数据目录导出
###Oracle数据库数据表目录导出###导入包importpandasaspdimportcx_Oracle###数据库信息username='xxx'password='yyy'ipaddr='100.28.60.132'port='1521'service_name='service_name'connect_string=ipaddr+":"+port+"/"+service_name#
《Python入门+Python爬虫》——6Day 数据库可视化——Flask框架应用不摆烂的小劉 python python flask 爬虫
Python学习版本:Python3.X观看：Python入门+Python爬虫+Python数据分析1.Flask入门1.1关于Flask1.1.1了解框架Flask作为Web框架，它的作用主要是为了开发Web应用程序。那么我们首先来了解下Web应用程序。Web应用程序(WorldWideWeb)诞生最初的目的，是为了利用互联网交流工作文档。一切从客户端发起请求开始。所有Flask程序都必须创建
【python 机器学习】sklearn ROC曲线与AUC指标人才程序员杂谈机器学习 python sklearn 人工智能深度学习神经网络目标检测
文章目录sklearnROC曲线与AUC指标1.什么是ROC曲线与AUC？通俗介绍：学术解释：2.在`sklearn`中绘制ROC曲线与计算AUC2.1导入库和数据2.2加载数据集2.3训练模型2.4预测概率2.5计算FPR、TPR和AUC2.6绘制ROC曲线3.解析ROC曲线和AUC值4.总结sklearnROC曲线与AUC指标在机器学习中，评估分类模型的性能不仅仅依赖于准确率，还需要使用一些更
python操作kafka 您懂我意思吧 python开发 kafka 分布式 python
一、参考阿里云的官方链接：使用PythonSDK接入Kafka收发消息_云消息队列Kafka版(Kafka)-阿里云帮助中心二、安装python环境三、添加python依赖库pipinstallconfluent-kafka==1.9.2四、新建一个setting.py文件配置信息kafka_setting={'sasl_plain_username':'XXX',#如果是默认接入点实例，请删除该
Python异步编程-asyncio详解我爱让机器学习 python 开发语言 asyncio 异步
目录asyncio简介示例什么是asyncio?适用场景APIasyncio的使用可等待对象什么是可等待对象？协程对象任务对象Future对象协程什么是协程？基本使用运行协程Task什么是Task？创建Task取消TaskTask异常获取Task回调TaskGroup什么是TaskGroup？为什么使用TaskGroup？创建任务异常处理同步任务完成asyncio简介示例首先，我们来看一个简单的H
7.asyncio库详解汪汪队~ Python系列教程之进阶篇 python
深入理解Python的asyncio库Python的asyncio库是一个强大的异步I/O框架，用于处理并发和异步编程。它提供了一种基于协程的方式来处理异步任务，使得编写异步代码更加简单和直观。1.什么是asyncio？asyncio是Python3.4引入的标准库，用于编写协程和异步代码。它基于事件循环（EventLoop）的概念，通过异步任务（coroutines）和Future对象来实现非阻
opencv 自适应阈值虚假程序设计 opencv 人工智能计算机视觉
需要安装扩展库opencv-contrib-pythonCV_class.pyimportcv2importnumpyasnp#importserialimportos,sysfromdatetimeimportdatetimeimport_threadimportthreadingimporttimeimportwin32ui#只有windows能用.#fromCV_classimport*de
Spring Boot 动态配置数据源全解析 ♢.＊ spring boot 后端 java
亲爱的小伙伴们，在求知的漫漫旅途中，若你对深度学习的奥秘、Java与Python的奇妙世界，亦或是读研论文的撰写攻略有所探寻，那不妨给我一个小小的关注吧。我会精心筹备，在未来的日子里不定期地为大家呈上这些领域的知识宝藏与实用经验分享。每一个点赞，都如同春日里的一缕阳光，给予我满满的动力与温暖，让我们在学习成长的道路上相伴而行，共同进步✨。期待你的关注与点赞哟！引言在企业级应用开发中，单一数据源往往
深入解析：如何编写 Mapper 文件 ♢.＊ oracle 数据库 mybatis
亲爱的小伙伴们，在求知的漫漫旅途中，若你对深度学习的奥秘、Java与Python的奇妙世界，亦或是读研论文的撰写攻略有所探寻，那不妨给我一个小小的关注吧。我会精心筹备，在未来的日子里不定期地为大家呈上这些领域的知识宝藏与实用经验分享。每一个点赞，都如同春日里的一缕阳光，给予我满满的动力与温暖，让我们在学习成长的道路上相伴而行，共同进步✨。期待你的关注与点赞哟！在软件开发尤其是涉及数据库交互的项目中
【Python】7天-python实现缓存-day01 qq_40375355 Python-7天小项目 python python 缓存开发语言
使用Python实现类似redis的缓存，原文是使用go实现的，本文使用python实现，用来比较两者的区别，方便从python转go的开发者比较二者的不同。PS：原文链接是：https://geektutu.com/post/geecache-day1.htmlPS:预计在完成前还会对本文多次修改仅作参考PS:测试代码也会在后续补充一、LRU和LRU-K原文使用的是LRU算法，这里改成LRU-K
100种算法【Python版】第38篇—— Tarjan算法 AnFany 算法 python 开发语言 Tarjan算法群体分析
本文目录1算法说明2算法示例：社交群体分析3算法示例：交通路网中的强连通分量识别4算法应用1算法说明Tarjan算法由计算机科学家RobertTarjan于1972年提出，目的是在有向图中有效地找到强连通分量（StronglyConnectedComponents,SCC）。强连通分量是指图中一个最大子图，其中任意两个节点之间都有路径相互可达。Tarjan算法是基于深度优先搜索（DFS）的一种高效
Python实现强连通分量算法——Tarjan算法 NoABug 算法深度优先 python
Python实现强连通分量算法——Tarjan算法Tarjan算法是一种基于深度优先搜索（DFS）的强连通分量（SCC）查找算法，由RobertTarjan在1972年提出。它采用了栈（Stack）数据结构来记录已发现但未处理完的节点，并通过对每个节点进行DFS遍历来寻找强连通分量。以下是Python实现的Tarjan算法的完整源码：#-*-coding:utf-8-*-deftarjan(gra
No module named ‘typing‘ 问题解决 qq_40375355 Linx linux python
ImportError:Nomodulenamed‘typing’问题解决1.问题描述Linux环境升级pip到最新后，运行pip命令出现"Nomodulenamed‘typing’"错误2.问题原因Linux默认环境是2.7，pip==21已经不在支持python2.7，所以出现该问题3.解决方案网上通用python-mpipuninstallpip执行该命令，如果报错以下内容：'pip'isa
Python -- asyncio库鹿夏
asyncio协程前言问题的引出多线程版本多进程版本生成器版本事件循环协程FutureTask任务协程的使用回调的使用多个任务执行使用回调,如下新语法TCPEchoServer举例aiohttp库安装文档开发前言3.4版本加入标准库。asyncio底层基于selectors实现，看似库，其实就是个框架，包含异步IO、事件循环、协程、任务等内容问题的引出defa():forxinrange(3):p
别再 pip install 了！一个绝佳的包管理器：pipx 西坡不是东坡 python学习 pip
在Python开发过程中，我们常常需要安装各种各样的工具库。有些库是项目级别的，比如Django或者Flask，而有些库是我们在整个系统中都可能用到的命令行工具，比如black、flake8、httpie等。对于后者，传统的pip安装方式可能会引发一些版本冲突或者环境污染的问题。这时，pipx就成了我们的救星。什么是pipx？pipx是一个用于安装和管理Python命令行工具的工具。它的主要优势在
java解析APK 3213213333332132 java apk linux 解析APK
解析apk有两种方法 1、结合安卓提供apktool工具，用java执行cmd解析命令获取apk信息 2、利用相关jar包里的集成方法解析apk 这里只给出第二种方法，因为第一种方法在linux服务器下会出现不在控制范围之内的结果。 public class ApkUtil { /** * 日志对象 */ private static Logger
nginx自定义ip访问N种方法 ronin47 nginx 禁止ip访问
　　　因业务需要，禁止一部分内网访问接口，　由于前端架了F5，直接用deny或allow是不行的，这是因为直接获取的前端Ｆ５的地址。　　　所以开始思考有哪些主案可以实现这样的需求，目前可实施的是三种：　　　一：把ip段放在redis里，写一段lua 二：利用geo传递变量，写一段
mysql timestamp类型字段的CURRENT_TIMESTAMP与ON UPDATE CURRENT_TIMESTAMP属性 dcj3sjt126com mysql
timestamp有两个属性，分别是CURRENT_TIMESTAMP 和ON UPDATE CURRENT_TIMESTAMP两种，使用情况分别如下： 1. CURRENT_TIMESTAMP 当要向数据库执行insert操作时，如果有个timestamp字段属性设为 CURRENT_TIMESTAMP，则无论这
struts2+spring+hibernate分页显示 171815164 Hibernate
分页显示一直是web开发中一大烦琐的难题，传统的网页设计只在一个JSP或者ASP页面中书写所有关于数据库操作的代码，那样做分页可能简单一点，但当把网站分层开发后，分页就比较困难了，下面是我做Spring+Hibernate+Struts2项目时设计的分页代码，与大家分享交流。　　1、DAO层接口的设计，在MemberDao接口中定义了如下两个方法： public in
构建自己的Wrapper应用 g21121 rap
我们已经了解Wrapper的目录结构，下面可是正式利用Wrapper来包装我们自己的应用，这里假设Wrapper的安装目录为:/usr/local/wrapper。首先，创建项目应用 &nb
[简单]工作记录_多线程相关 53873039oycg 多线程
最近遇到多线程的问题,原来使用异步请求多个接口(n*3次请求) 方案一使用多线程一次返回数据,最开始是使用5个线程,一个线程顺序请求3个接口,超时终止返回缺点测试发现必须3个接
调试jdk中的源码，查看jdk局部变量程序员是怎么炼成的 jdk 源码
转自：http://www.douban.com/note/211369821/ 学习jdk源码时使用-- 学习java最好的办法就是看jdk源代码，面对浩瀚的jdk（光源码就有40M多，比一个大型网站的源码都多）从何入手呢，要是能单步调试跟进到jdk源码里并且能查看其中的局部变量最好了。可惜的是sun提供的jdk并不能查看运行中的局部变量
Oracle RAC Failover 详解 aijuans oracle
Oracle RAC 同时具备HA(High Availiablity) 和LB(LoadBalance). 而其高可用性的基础就是Failover(故障转移). 它指集群中任何一个节点的故障都不会影响用户的使用，连接到故障节点的用户会被自动转移到健康节点，从用户感受而言，是感觉不到这种切换。 Oracle 10g RAC 的Failover 可以分为3种： 1. Client-Si
form表单提交数据编码方式及tomcat的接受编码方式 antonyup_2006 JavaScript tomcat 浏览器互联网 servlet
原帖地址：http://www.iteye.com/topic/266705 form有2中方法把数据提交给服务器，get和post,分别说下吧。（一）get提交 1.首先说下客户端（浏览器）的form表单用get方法是如何将数据编码后提交给服务器端的吧。对于get方法来说，都是把数据串联在请求的url后面作为参数，如：http://localhost:
JS初学者必知的基础百合不是茶 js函数 js入门基础
JavaScript是网页的交互语言,实现网页的各种效果, JavaScript 是世界上最流行的脚本语言。 JavaScript 是属于 web 的语言，它适用于 PC、笔记本电脑、平板电脑和移动电话。 JavaScript 被设计为向 HTML 页面增加交互性。许多 HTML 开发者都不是程序员，但是 JavaScript 却拥有非常简单的语法。几乎每个人都有能力将小的
iBatis的分页分析与详解 bijian1013 java ibatis
分页是操作数据库型系统常遇到的问题。分页实现方法很多，但效率的差异就很大了。iBatis是通过什么方式来实现这个分页的了。查看它的实现部分，发现返回的PaginatedList实际上是个接口，实现这个接口的是PaginatedDataList类的对象，查看PaginatedDataList类发现，每次翻页的时候最
精通Oracle10编程SQL(15)使用对象类型 bijian1013 oracle 数据库 plsql
/* *使用对象类型 */ --建立和使用简单对象类型 --对象类型包括对象类型规范和对象类型体两部分。 --建立和使用不包含任何方法的对象类型 CREATE OR REPLACE TYPE person_typ1 as OBJECT( name varchar2(10),gender varchar2(4),birthdate date ); drop type p
【Linux命令二】文本处理命令awk bit1129 linux命令
awk是Linux用来进行文本处理的命令，在日常工作中，广泛应用于日志分析。awk是一门解释型编程语言，包含变量，数组，循环控制结构，条件控制结构等。它的语法采用类C语言的语法。 awk命令用来做什么？ 1.awk适用于具有一定结构的文本行，对其中的列进行提取信息 2.awk可以把当前正在处理的文本行提交给Linux的其它命令处理，然后把直接结构返回给awk 3.awk实际工
JAVA(ssh2框架)+Flex实现权限控制方案分析白糖_ java
目前项目使用的是Struts2+Hibernate+Spring的架构模式，目前已经有一套针对SSH2的权限系统，运行良好。但是项目有了新需求：在目前系统的基础上使用Flex逐步取代JSP，在取代JSP过程中可能存在Flex与JSP并存的情况，所以权限系统需要进行修改。【SSH2权限系统的实现机制】权限控制分为页面和后台两块：不同类型用户的帐号分配的访问权限是不同的，用户使
angular.forEach boyitech AngularJS AngularJS API angular.forEach
angular.forEach 描述: 循环对obj对象的每个元素调用iterator, obj对象可以是一个Object或一个Array. Iterator函数调用方法: iterator(value, key, obj), 其中obj是被迭代对象，key是obj的property key或者是数组的index，value就是相应的值啦. (此函数不能够迭代继承的属性.)
java-谷歌面试题-给定一个排序数组，如何构造一个二叉排序树 bylijinnan 二叉排序树
import java.util.LinkedList; public class CreateBSTfromSortedArray { /** * 题目:给定一个排序数组，如何构造一个二叉排序树 * 递归 */ public static void main(String[] args) { int[] data = { 1, 2, 3, 4,
action执行2次 Chen.H JavaScript jsp XHTML css Webwork
xwork 写道 <action name="userTypeAction" class="com.ekangcount.website.system.view.action.UserTypeAction"> <result name="ssss" type="dispatcher">
[时空与能量]逆转时空需要消耗大量能源 comsci 能源
无论如何,人类始终都想摆脱时间和空间的限制....但是受到质量与能量关系的限制,我们人类在目前和今后很长一段时间内,都无法获得大量廉价的能源来进行时空跨越..... 在进行时空穿梭的实验中,消耗超大规模的能源是必然
oracle的正则表达式(regular expression)详细介绍 daizj oracle 正则表达式
正则表达式是很多编程语言中都有的。可惜oracle8i、oracle9i中一直迟迟不肯加入，好在oracle10g中终于增加了期盼已久的正则表达式功能。你可以在oracle10g中使用正则表达式肆意地匹配你想匹配的任何字符串了。正则表达式中常用到的元数据(metacharacter)如下： ^ 匹配字符串的开头位置。 $ 匹配支付传的结尾位置。 *
报表工具与报表性能的关系 datamachine 报表工具 birt 报表性能润乾报表
在选择报表工具时，性能一直是用户关心的指标，但是，报表工具的性能和整个报表系统的性能有多大关系呢？要回答这个问题，首先要分析一下报表的处理过程包含哪些环节，哪些环节容易出现性能瓶颈，如何优化这些环节。一、报表处理的一般过程分析 1、用户选择报表输入参数后，报表引擎会根据报表模板和输入参数来解析报表，并将数据计算和读取请求以SQL的方式发送给数据库。 2、
初一上学期难记忆单词背诵第一课 dcj3sjt126com word english
what 什么 your 你 name 名字 my 我的 am 是 one 一 two 二 three 三 four 四 five 五 class 班级，课 six 六 seven 七 eight 八 nince 九 ten 十 zero 零 how 怎样 old 老的 eleven 十一 twelve 十二 thirteen
我学过和准备学的各种技术 dcj3sjt126com 技术
语言VB https://msdn.microsoft.com/zh-cn/library/2x7h1hfk.aspxJava http://docs.oracle.com/javase/8/C# https://msdn.microsoft.com/library/vstudioPHP http://php.net/manual/en/Html
struts2中token防止重复提交表单蕃薯耀重复提交表单 struts2中token
struts2中token防止重复提交表单 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2015年7月12日 11:52:32 星期日 ht
线性查找二维数组 hao3100590 二维数组
1.算法描述有序（行有序，列有序，且每行从左至右递增，列从上至下递增）二维数组查找，要求复杂度O(n) 2.使用到的相关知识：结构体定义和使用，二维数组传递（http://blog.csdn.net/yzhhmhm/article/details/2045816） 3.使用数组名传递这个的不便之处很明显，一旦确定就是不能设置列值 //使
spring security 3中推荐使用BCrypt算法加密密码 jackyrong Spring Security
spring security 3中推荐使用BCrypt算法加密密码了，以前使用的是md5， Md5PasswordEncoder 和 ShaPasswordEncoder，现在不推荐了，推荐用bcrpt Bcrpt中的salt可以是随机的，比如： int i = 0; while (i < 10) { String password = "1234
学习编程并不难,做到以下几点即可! lampcy java html 编程语言
不论你是想自己设计游戏，还是开发iPhone或安卓手机上的应用，还是仅仅为了娱乐，学习编程语言都是一条必经之路。编程语言种类繁多，用途各异，然而一旦掌握其中之一，其他的也就迎刃而解。作为初学者，你可能要先从Java或HTML开始学，一旦掌握了一门编程语言，你就发挥无穷的想象，开发各种神奇的软件啦。 1、确定目标学习编程语言既充满乐趣，又充满挑战。有些花费多年时间学习一门编程语言的大学生到
架构师之mysql----------------用group+inner join,left join ,right join 查重复数据（替代in) nannan408 right join
1.前言。如题。 2.代码 (1)单表查重复数据,根据a分组 SELECT m.a,m.b, INNER JOIN （select a,b,COUNT(*) AS rank FROM test.`A` A GROUP BY a HAVING rank>1 )k ON m.a=k.a （2）多表查询，使用改为le
jQuery选择器小结 VS 节点查找（附css的一些东西） Everyday都不同 jquery css name选择器追加元素查找节点
最近做前端页面，频繁用到一些jQuery的选择器，所以特意来总结一下：测试页面： <html> <head> <script src="jquery-1.7.2.min.js"></script> <script> /*$(function() { $(documen
关于EXT tntxia ext
ExtJS是一个很不错的Ajax框架，可以用来开发带有华丽外观的富客户端应用，使得我们的b/s应用更加具有活力及生命力。ExtJS是一个用 javascript编写，与后台技术无关的前端ajax框架。因此，可以把ExtJS用在.Net、Java、Php等各种开发语言开发的应用中。 ExtJs最开始基于YUI技术，由开发人员Jack
一个MIT计算机博士对数学的思考 xjnine Math
在过去的一年中，我一直在数学的海洋中游荡，research进展不多，对于数学世界的阅历算是有了一些长进。为什么要深入数学的世界？作为计算机的学生，我没有任何企图要成为一个数学家。我学习数学的目的，是要想爬上巨人的肩膀，希望站在更高的高度，能把我自己研究的东西看得更深广一些。说起来，我在刚来这个学校的时候，并没有预料到我将会有一个深入数学的旅程。我的导师最初希望我去做的题目，是对appe