卷积操作的参数量和FLOPs

卷积操作的参数量和FLOPs

  这里首先需要辨析一个概念就是FLOPs和FLOPS可以看到简写的差别仅仅是一个字母大小写的区别。
  FLOPS(floating-point operations per second)，这个缩写长这个样子确实也很奇怪，大致概念就是指每秒浮点数运算次数，最后一个S是秒(second)的缩写，是计组中的概念，用来描述计算机的运算速度。
  FLOPs(floating-point operations)，一旦s变为小写，就表示复数的概念，就是浮点数运算次数，这就和计算量相关了，和卷积或者其他算法联系起来基本上就表示计算次数，可用来衡量操作的复杂程度。
  卷积的参数基本上都是说的卷积核的参数，拿一层神经网络来看，卷积核的大小是$(k_h,k_w)$，显然一个卷积核的参数量是这个卷积核的矩阵$k_h*k_w$，通常这里还要加上一个偏置$b$，算作一个参数，为了简便计算，这里忽略不计。如果说一层神经网络的输入通道数为$C_{in}$输出通道数为$C_{out}$，卷积核需要通过矩阵运算，把输入的$C_{in}$的通道数映射为输出为$C_{out}$，如果熟悉卷积核矩阵乘法，我们显然知道这个卷积核的参数就是$C_{in}*k_h*k_w*C_{out}$，而且需要注意这只是一个卷积核的，如果有多个卷积核的还需要乘数量。
  假设我们经过这个卷积，将输入的特征图映射为$(H,W)$的特征图，特征图这些部分是我们中间的计算结果，我们不需要当参数保存，所以计算参数不需要包括这部分。但是如果算卷积操作的计算量，则就用得到了。我们通过对一个区域的卷积运算，将这个区域映射为特征图中的一个cell，同样我们想矩阵的乘法，把一个矩阵乘以$\left \{ C_{in}，k_h，k_w \right \}$的卷积核变为一个1乘1的矩阵，可以理解为内积操作，所以得到这一个cell的计算量就是这么多个元素的矩阵的内积操作，显然这个计算量就是$C_{in}*k_h*k_w$个乘法加$C_{in}*k_h*k_w$-1个加法。但是显然我们输出的通道数是$C_{out}$，所以我们需要$C_{out}$个这样的操作。这只是求出来一个输出特征图的cell，我们需要求$H*W$个cell，那么最终的计算量还需要再乘上这个值。也就是$\left(2C_{in}*k_h*k_w-1\right)*C_{out}*H*W$的计算量了。
  如果有偏置常数的话，显然这个偏置常数只关系加法，而且是在内积求完之后的，所以相当于加法也变为了$C_{in}*k_h*k_w$个，没有那个-1，然后这样算出的最终计算量就是$\left(2C_{in}*k_h*k_w\right)*C_{out}*H*W$
  一个cell一个cell的计算卷积，我们可以参考一张解释卷积的图。

  衡量计算量除了FLOPs外还有一种概念是求MACs(Multiply Accumulate)乘积累加运算次数，一次乘积，然后把这个乘积和另外一个数求和就叫一次MAC，显然与上面计算结果的关系就在于是否要乘2的关系。
  如果在本文中，发现了作者的一些错误，请及时指出，感激不尽。

来源：CSDN

作者：August-us

链接：https://blog.csdn.net/m0_38065572/article/details/104610524