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)

【Python】一文详细介绍 py格式文件高斯小哥 Python基础【高质量合集】python 新手入门学习
【Python】一文详细介绍py格式文件个人主页：高斯小哥高质量专栏：Matplotlib之旅：零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程希望得到您的订阅和支持~创作高质量博文(平均质量分92+)，分享更多关于深度学习、PyTorch、Python领域的优质内容！（希望得到您的关注~）文章目录一、py格式文件简介二、如何创建和编辑py格式文件三、如何运行py
python抓包与解包_Python—网络抓包与解包（pcap、dpkt） weixin_39691055 python抓包与解包
pcap安装[root@localhost~]#pipinstallpypcap抓包与解包#-*-coding:utf-8-*-importpcap,dpktimportre,threading,requests__black_ip=['103.224.249.123','203.66.1.212']#抓包：param1eth_name网卡名，如：eth0,eth3。param2p_type日志捕
华为OD机试 - 单向链表中间节点（Java & JS & Python & C & C++）华为OD题库华为od 链表 java
须知哈喽，本题库完全免费，收费是为了防止被爬，大家订阅专栏后可以私信联系退款。感谢支持文章目录须知题目描述输出描述解析代码题目描述给定一个单链表L，请编写程序输出L中间结点保存的数据。如果有两个中间结点，则输出第二个中间结点保存的数据。例如：给定L为1→7→5，则输出应该为7；给定L为1→2→3→4，则输出应该为3；输入描述每个输入包含1个测试用例。每个测试用例：第一行给出链表首结点的地址、结点总
python 推导式(派生、衍生) sanduo112 人工智能 python windows 开发语言
python推导式一、推导式(派生、衍生)1.Python推导式是一种独特的数据处理方式，可以从一个数据序列构建另一个新的数据序列的结构体。2.列表(list)推导式3.字典(dict)推导式4.集合(set)推导式5.元组(tuple)推导式二、代码概述一、推导式(派生、衍生)1.Python推导式是一种独特的数据处理方式，可以从一个数据序列构建另一个新的数据序列的结构体。Python支持各种数
数据挖掘|数据预处理|基于Python的数据标准化方法皖山文武数据挖掘数据建模与分析 python 数据挖掘开发语言
基于Python的数据标准化方法1.z-score方法2.极差标准化方法3.最大绝对值标准化方法在数据分析之前，通常需要先将数据标准化（Standardization），利用标准化后的数据进行数据分析，以避免属性之间不同度量和取值范围差异造成数据对分析结果的影响。1.z-score方法Z-score方法是基于原始数据的均值和标准差来进行数据标准化的，处理后的数据均值为0，方差为1，符合标准正态分布
CSV指南：Python程序获取大型CSV文件行数孤独打铁匠Julian 笔记经验分享 python
本指南提供了几种使用Python来获取大型CSV文件行数的方法，并解释了每种方法的适用场景。方法1:使用csv.reader处理复杂CSV文件当你的CSV文件中包含多行字段（即某些字段的值中包含换行符）时，使用csv.reader是一个可靠的选择，因为它能够正确处理这些复杂情况。这个方法适用于大多数大小的CSV文件，但是对于非常大的文件，读取整个文件可能会占用较多的时间和内存。对于极大的文件，考虑
谷歌浏览器驱动Chromedriver（114-120版本）文件以及驱动下载教程 pigerr杨 Python python chrome drivers
ChromeDriver官方网站GitHub||GoogleChromeLabs/chrome-for-testingChromeDriver113-125_JSONChromeforTestingavailability123-125zip白月黑羽Python基础|进阶|Qt图形界面|Django|自动化测试|性能测试|JS语言|JS前端|原理与安装
大创项目推荐深度学习 opencv python 公式识别(图像识别机器视觉) laafeer python
文章目录0前言1课题说明2效果展示3具体实现4关键代码实现5算法综合效果6最后0前言优质竞赛项目系列，今天要分享的是基于深度学习的数学公式识别算法实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：4分创新点：4分更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate1课题
Ai插件脚本合集安装包，免费教程视频网盘分享全网优惠分享君
随着人工智能技术的不断发展，越来越多的插件脚本涌现出来，为我们的生活和工作带来了便利。然而，如何快速、方便地获取和使用这些插件脚本呢？今天，我将为大家分享一个非常实用的资源——AI插件脚本合集安装包，以及免费教程视频网盘分享。首先，让我们来了解一下这个AI插件脚本合集安装包。它是一个集合了众多AI插件脚本的资源包，涵盖了各种领域，如数据分析、自动化办公、智能客服等等。通过这个安装包，用户可以轻松地
过去一年，这16本好书不容错过 m0_54050778 perl
编者按：2023年在动荡与希望中收尾，2023年注定会被载入史册。疫情寒冬结束，ChatGPT横空出世，带动了人工智能技术的飞速发展；淄博烧烤、天津大爷、尔滨之旅等充满感动与幸福。但与此同时，2023年又是动荡与不安的一年，俄乌冲突的延宕，新一轮的巴以冲突，极端天气频发。在这个大环境下，有一些经典的书籍著作诞生。本文将分享2023年最值得一读的16本书籍，文章来自翻译，希望对你有所启示。关于202
python转码 Desamond python 开发语言
转码在许多场景中都有应用，以下是一些常见的场景：网页开发：当用户在网页上输入文本时，可能需要将特殊字符（如空格、引号、特殊符号等）进行转码，以防止这些字符对URL或HTML代码产生干扰。文件名处理：在处理文件名时，可能需要将特殊字符进行转码，以避免文件名被错误地解析或显示。数据传输：在数据传输过程中，为了确保数据的完整性和正确性，可能需要将数据中的特殊字符进行转码。数据存储：在数据库或数据存储中，
排序算法太多？常用排序都在这了，一篇文章总结和实现所有面试会考的排序算法（基于Python实现）宇宙之一粟不归路之Python #IT面试题收集与总结数据结构与算法算法数据结构排序算法 python java
文章目录排序算法1.常见的排序算法1.1选择排序1.1.1思想1.1.2实现**1.1.3选择排序分析**1.2冒泡排序**1.2.1思想****1.2.2实现****1.2.3冒泡排序分析**1.3插入排序**1.3.1思想****1.3.2实现****1.3.3插入排序分析**1.4归并排序☆☆★**1.4.1思想****1.4.2实现****1.4.3归并排序分析**1.5快速排序☆★★**
27.Python从入门到精通—Python异常处理抛出异常用户自定义异常定义清理行为预定义的清理行为以山河作礼。 #Python基础入门—详解版 python java 服务器
27.从入门到精通：Python异常处理抛出异常用户自定义异常定义清理行为预定义的清理行为异常处理抛出异常用户自定义异常定义清理行为预定义的清理行为异常处理在Python中，异常处理是一种处理程序在执行期间可能遇到的错误的方法。当Python解释器遇到错误时，它会引发异常。异常是一种Python对象，它包含有关错误的信息，例如错误类型和错误位置。为了处理异常，您可以使用try-except语句。在
python清华大学出版社答案_Python机器学习及实践 weixin_39805119 python清华大学出版社答案
第1章机器学习的基础知识1.1何谓机器学习1.1.1传感器和海量数据1.1.2机器学习的重要性1.1.3机器学习的表现1.1.4机器学习的主要任务1.1.5选择合适的算法1.1.6机器学习程序的步骤1.2综合分类1.3推荐系统和深度学习1.3.1推荐系统1.3.2深度学习1.4何为Python1.4.1使用Python软件的由来1.4.2为什么使用Python1.4.3Python设计定位1.4.
Python | Redis工具类 -拟墨画扇- Python redis 数据库缓存 python
一、需求自动连接Redis数据库，通过连接池处理数据对输出结果进行Log打印并保存到文件二、代码Utils.redisUtils.py#!/usr/bin/envpython#-*-coding:utf-8-*-importredisfromUtils.loggerimportlog"""Redis数据格式(1)字符串|存储形式:key-value:str-存储二进制数据:可以存储任意类型的数据，
Python dict字符串转json对象，小数精度丢失问题朝如青丝暮成雪 json python
一前言JSON(JavaScriptObjectNotation)是一种轻量级的数据交换格式，dict是Python的一种数据格式。本篇介绍一个float数据转换时精度丢失的案例。二问题描述importjsontest_str1='{"π":3.1415926535897932384626433832795028841971}'test_str2='{"value":10.00000}'print
Python+Requests模拟发送GET请求爱学习的执念自动化测试软件测试技术分享 python 开发语言
模拟发送GET请求前置条件：导入requests库一、发送不带参数的get请求代码如下：以百度首页为例importrequests#发送get请求response=requests.get(url="http://www.baidu.com")print(response.content.decode("utf-8"))#以utf-8的编码输出内容二、发送带参数的get请求发送带参数的get请求有
Python极速入门：五分钟开启实战之旅！知白守黑V Python 编程语言系统运维 python 编程语言 python开发 python学习 python入门 python数据分析
1.Python基础语法和结构：了解Python的基本语法，包括变量、数据类型、运算符、注释等。控制流：掌握条件语句（if-elif-else）、循环（for和while）及其控制（break和continue）。函数：学习如何定义和使用函数，包括参数传递、返回值、作用域和闭包。模块和包：理解如何导入和使用模块，以及如何创建和使用自己的包。2.数据处理列表、元组和集合：学习这些序列类型的操作和方法
Python Flask 使用数据库安果移不动 python flask 开发语言
pipinstallflask_sqlalchemy官方文档：Flask-SQLAlchemy—Flask-SQLAlchemyDocumentation(3.1.x)为了不报错也需要导入另外两个库#pipinstallflask_sqlalchemy#pipinstallmysqlclient完整代码importosfromflaskimportFlaskfromflask_sqlalchemy
PaperWeekly sapienst Papers PaperwithCode General ML
1.Python软件包解决DL在未见过的数据分布下性能差的问题：（1）神经网络和损失分离的模块化设计（2）强大便捷的基准测试能力（3）易于使用但难以修改（4）github:https://github.com/marrlab/domainlabTrainer和Models之间是什么关系Trainer和Models是DomainLab中的两个核心概念。Trainer是一个用于指导数据流向模型并计算S
使用Python读取Excel文件并计算平均分嘻嘻爱编码 Python从入门到放弃 python excel 开发语言
在这篇博客中，我们将探讨如何使用Python的pandas库来读取Excel文件，并计算其中数据的平均分。pandas是一个强大的数据分析工具，它允许我们以简单直观的方式处理表格数据。安装必要的库在开始之前，确保你的环境中安装了pandas和openpyxl库。可以使用以下命令进行安装：pipinstallpandasopenpyxl读取Excel文件首先，我们需要读取Excel文件。假设我们有一
python项目练习——7.网站访问日志分析器 F—— python项目练习 python 信息可视化数据分析数据挖掘开发语言学习
项目功能分析：这个项目可以读取网站的访问日志文件，统计访问量、独立访客数、访问来源等信息，并以图表或表格的形式展示出来。这个项目涉及到文件操作、数据处理、数据可视化等方面的技术。示例代码：importrefromcollectionsimportCounterimportmatplotlib.pyplotaspltdefparse_log_file(log_file):#读取日志文件内容witho
python的while双重循环九九乘法表 Jinm_R python 开发语言
a=1whilea<=9:b=1#乘数每次需要从1开始whileb<=a:print(f"{a}*{b}={a*b}\t",end='')#\t为制表符使乘法表整齐end=''代表用空格代替换行b+=1a+=1print()#乘数每加一换行
ChatGPT技巧大揭秘：AI写代码新境界 2401_83550420 chatgpt4.0 chatgpt chatgpt 人工智能 AI写作
ChatGPT无限次数:点击直达ChatGPT技巧大揭秘：AI写代码新境界随着人工智能技术的不断进步，开发人员现在有了更多有趣的工具来提高他们的工作效率。其中，ChatGPT作为一种基于深度学习的自然语言处理模型，已经成为许多开发者的新宠。在本文中，我们将揭秘使用ChatGPT来帮助编写代码的技巧，探索AI在编程领域的新境界。ChatGPT简介ChatGPT是一种基于大型神经网络的对话生成模型，它
ChatGPT：AI合作伙伴助你成为论文写作高手 2401_83550420 chatgpt chatgpt 人工智能 AI写作
ChatGPT无限次数:点击直达摘要：本文将介绍ChatGPT3.5Turbo（以下简称ChatGPT），一款强大的AI合作伙伴，能够助你成为一名论文写作高手。我们将深入探讨ChatGPT的特点、优势，并提供多个示例，展示ChatGPT在论文写作中的应用。无论是开展研究、撰写论文、还是与ChatGPT进行互动交流，都能够帮助你提升写作效率和质量。引言：随着人工智能的发展，聊天型语言模型在各个领域都
AI大模型学习：开启智能时代的新篇章游向大厂的咸鱼人工智能学习
随着人工智能技术的不断发展，AI大模型已经成为当今领先的技术之一，引领着智能时代的发展。这些大型神经网络模型，如OpenAI的GPT系列、Google的BERT等，在自然语言处理、图像识别、智能推荐等领域展现出了令人瞩目的能力。然而，这些模型的背后是一系列复杂的学习过程，深度学习技术的不断演进推动了AI大模型学习的发展。首先，AI大模型学习的基础是深度学习技术。深度学习是一种模仿人类大脑结构的机器
【Python】成功解决ModuleNotFoundError: No module named ‘torchinfo‘ 高斯小哥 BUG解决方案合集 python pytorch 新手入门学习 debug
【Python】成功解决ModuleNotFoundError:Nomodulenamed‘torchinfo’个人主页：高斯小哥高质量专栏：Matplotlib之旅：零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程希望得到您的订阅和支持~创作高质量博文(平均质量分92+)，分享更多关于深度学习、PyTorch、Python领域的优质内容！（希望得到您的关注~）文
OpenCV（一个C++人工智能领域重要开源基础库）简介愚梦者 OpenCV 人工智能人工智能 opencv c++图像处理计算机视觉开源
返回：OpenCV系列文章目录（持续更新中......）上一篇：OpenCV4.9.0配置选项参考下一篇：OpenCV4.9.0开源计算机视觉库安装概述引言：OpenCV（全称OpenSourceComputerVisionLibrary）是一个基于开放源代码发行的跨平台计算机视觉库，可以用来进行图像处理、计算机视觉和机器学习等领域的开发。该库由英特尔公司于1999年开始开发，最初是为了加速处理器
Python自动化测试web常见框架汇总自动化测试薰儿软件测试技术分享 python 前端开发语言
1、前言目前，有非常多的Python框架，用来帮助你更轻松的创建web应用。这些框架把相应的模块组织起来，使得构建应用的时候可以更快捷，也不用去关注一些细节（例如socket和协议），所以需要的都在框架里了。接下来我们会介绍不同的选项。经过初期的不起眼，Python已经成为互联网最流行的服务端编程语言之一。根据W3Techs的统计，它被用于很多的大流量的站点很多的大流量的站点很多的大流量的站点，超
【循环神经网络rnn】一篇文章讲透 CX330的烟花 rnn 人工智能深度学习算法 python 机器学习数据结构
目录引言二、RNN的基本原理代码事例三、RNN的优化方法1长短期记忆网络（LSTM）2门控循环单元（GRU）四、更多优化方法1选择合适的RNN结构2使用并行化技术3优化超参数4使用梯度裁剪5使用混合精度训练6利用分布式训练7使用预训练模型五、RNN的应用场景1自然语言处理2语音识别3时间序列预测六、RNN的未来发展七、结论引言众所周知，CNN与循环神经网络（RNN）或生成对抗网络（GAN）等算法结
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