FLOPS的含义及其计算方式

1. 深度学习框架FLOPs的概念

Floating point operations

即：浮点运算数量

Paper里比较流行的单位是GFLOPs

1 GFLOPs = 10^9 FLOPs

即：10亿次浮点运算

2. 深度学习框架FLOPs的组成

1. 卷积运算Conv

用以下动图中直观的解释：

Image大小为 5x5

卷积核大小为 3x3

那么一次3x3的卷积（求右图矩阵一个元素的值）所需运算量：(3x3)个乘法+(3x3-1)个加法 = 17

要得到右图convolved feature （3x3的大小）：17x9 = 153

2. BatchNorm

3. ReLu

4. Linear

5. Upsample

6. Poolings

其中，Conv所占的比重通常是最大的

此外，它和输入图像的大小也有关系

而#Parameters和图像大小无关

3. 计算FLOPs的代码或包

因为无人驾驶车载板子对模型复杂度有要求

今天在Github上找了一下午代码（基于Pytorch）

终于找到一个既傻瓜又好用的！！！

示例代码(以VGG16为例)：

可以看到

算上import 和 print（）也仅仅6行代码！

不仅输出了整个框架的复杂度

Flops: 15.5 x 10^9 次浮点运算 Params: 138.36 百万个参数

4. 常用框架的复杂度