网络中的参数量(param)和浮点计算量(FLOPs)的计算

可以在我都模板仓库的Utils文件夹中查看具体有关参数量(param)和浮点计算量(FLOPs)的计算代码。

一、网络中的参数量(param)是什么？浮点计算量(FLOPs)是什么？

1. 网络中的参数量（param）对应与空间Space概念，及空间复杂度。
2. 浮点计算量(FLOPs)对应与时间Time概念，对应于时间复杂度。

即，网络参数量（param）和显存密切相关；浮点计算量(FLOPs)和GPU的计算速度相关。

二、如何计算网络中的参数量(param)

网络中的参数量(param)的计算

网络中参数计算需要分为

卷积层：

需要关注的参数为(kernel_size,in_channel,out_channel)

计算公式：

完全版：$conv\_param=(kernel\_size\ast in\_channel+bias)\ast out\_channel$，默认$bias=1$，out_channel是filter(代表卷积核个数)，且每个卷积核都有对应的bias。

简略版：$conv\_param=kernel\_size\ast in\_channel\ast out\_channel$，因为bias不会影响数量级的变化，一般可省略。

举个例子：
如下图所示：
image_size = 5x5x3
kernel_size = 3x3
in_channel = 3 （图像channel）
out_channel = 2 (卷积核数目\filter数目)
则该卷积层的参数个数为:
完全版：$conv\_param=(kernel\_size\ast in\_channel+bias)\ast out\_channel==(3\ast 3\ast 3+1)\ast 2=56$
简略版：$conv\_param=kernel\_size\ast in\_channel\ast out\_channel=3\ast 3\ast 3\ast 2=54$

池化层:

池化层不需要参数。例如 max_pooling：直接最大化池化就可以，无需参数。

全连接层:

全连接层有两种情况，一种是卷积层到全连接层，一种是全连接层到全连接层，因此需要分情况来讨论：

CONV->FC 及计算公式

$Conv\_FC\_param=feturemap\_size\ast in\_channel\ast out\_neural$
feturemap_size : 前一层特征图尺寸
in_channel : 前一层卷积核个数
out_neural : 全连接层神经元个数

FC->FC 及计算公式

$FC\_FC\_param=in\_neura\ast \ast out\_neural-bias$
bias = out_neural，每个神经元都有一个bias。一般可忽略bias。

代码展示

Pytorch中计算网络中的参数量的包有很多，例如torchstat、thop、ptflops、torchsummary等等，这里将选取部分进行展示。

1. 首先搭建一个简单的CNN网络：

import torch 
from torch import nn
class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()self.conv1 = nn.Sequential(         # input shape (1, 28, 28)nn.Conv2d(in_channels=1,              # input height  gray just have one levelout_channels=16,            # n_filterskernel_size=5,              # filter sizestride=1,                   # filter movement/steppadding=2 ),                          # output shape (16, 28, 28)                                   nn.ReLU(),                      # activationnn.MaxPool2d(kernel_size=2),    # choose max value in 2x2 area, output shape (16, 14, 14))self.conv2 = nn.Sequential(        # input shape (16, 14, 14)nn.Conv2d(16, 32, 5, 1, 2),     # output shape (32, 14, 14)nn.ReLU(),                      # activationnn.MaxPool2d(2),                # output shape (32, 7, 7))self.out = nn.Linear(32 * 7 * 7, 10)   # fully connected layer, output 10 classesdef forward(self, x):x = self.conv1(x)x = self.conv2(x)x = x.view(x.size(0), -1)           # flatten the output of conv2 to (batch_size, 32 * 7 * 7)output = self.out(x)return output, x    # return x for visualizationcnn = CNN()
print(cnn)  # net architecture

2. 计算参数量

Torchstat包的使用

from torchstat import stat# 导入模型，输入一张输入图片的尺寸
stat(cnn, (1, 28, 28))

输出结果：

      module name  input shape output shape   params memory(MB)         MAdd        Flops  MemRead(B)  MemWrite(B) duration[%]  MemR+W(B)
0         conv1.0    1  28  28   16  28  28    416.0       0.05    627,200.0    326,144.0      4800.0      50176.0      46.17%    54976.0
1         conv1.1   16  28  28   16  28  28      0.0       0.05     12,544.0     12,544.0     50176.0      50176.0       0.22%   100352.0
2         conv1.2   16  28  28   16  14  14      0.0       0.01      9,408.0     12,544.0     50176.0      12544.0      12.20%    62720.0
3         conv2.0   16  14  14   32  14  14  12832.0       0.02  5,017,600.0  2,515,072.0     63872.0      25088.0      35.98%    88960.0
4         conv2.1   32  14  14   32  14  14      0.0       0.02      6,272.0      6,272.0     25088.0      25088.0       0.05%    50176.0
5         conv2.2   32  14  14   32   7   7      0.0       0.01      4,704.0      6,272.0     25088.0       6272.0       5.03%    31360.0
6             out         1568           10  15690.0       0.00     31,350.0     15,680.0     69032.0         40.0       0.35%    69072.0
total                                        28938.0       0.16  5,709,078.0  2,894,528.0     69032.0         40.0     100.00%   457616.0
=========================================================================================================================================
Total params: 28,938
-----------------------------------------------------------------------------------------------------------------------------------------
Total memory: 0.16MB
Total MAdd: 5.71MMAdd
Total Flops: 2.89MFlops
Total MemR+W: 446.89KB

Torchinfo包的使用： （刚刚写完，发现torchsummary 更名为 torchinfo了，用这个）
pip install torchinfo

#from torchsummary import summary
from torchinfo import summary# 导入模型，输入一张输入图片的尺寸
#summary(cnn.cuda(), input_size=(1, 28, 28), batch_size=-1)
batch_size = 1
summary(model, input_size=(batch_size, 1, 28, 28))

输出结果：

----------------------------------------------------------------Layer (type)               Output Shape         Param #
================================================================Conv2d-1           [-1, 16, 28, 28]             416ReLU-2           [-1, 16, 28, 28]               0MaxPool2d-3           [-1, 16, 14, 14]               0Conv2d-4           [-1, 32, 14, 14]          12,832ReLU-5           [-1, 32, 14, 14]               0MaxPool2d-6             [-1, 32, 7, 7]               0Linear-7                   [-1, 10]          15,690
================================================================
Total params: 28,938
Trainable params: 28,938
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.32
Params size (MB): 0.11
Estimated Total Size (MB): 0.44
----------------------------------------------------------------

两种包的显示结果各有优劣，可以依据需求来使用。

Thop包的使用及Pytorch自带参数计算的使用：

from thop import profile
model = build_detection_model(cfg).cuda()# 导入模型，输入一张输入图片的尺寸
print(model)
input = torch.randn(1, 3, 300, 300).cuda()
flop, para = profile(model, inputs=(input, ))
print('Flops:',"%.2fM" % (flop/1e6), 'Params:',"%.2fM" % (para/1e6))
total = sum([param.nelement() for param in model.parameters()])
print('Number of parameter: %.2fM' % (total/1e6))

附加：参数和模型显存\模型尺寸的关系

参数占用显存=参数数目×n

n=4：float32

n=2：float16

n=8：double64

除此之外，batch_size输入的图片占据大部分显存。

模型尺寸就是模型的大小，我们一般使用参数量parameter来衡量，注意，它的单位是个。但是由于很多模型参数量太大，所以一般取一个更方便的单位：兆(M) 来衡量。比如ResNet-152的参数量可以达到60 million = 0.0006M。有些时候，model size在实际计算时除了包含参数量以外，还包括网络架构信息和优化器信息等。比如存储一个一般的CNN模型(ImageNet训练)需要大于300MB。

M和MB的换算关系：

比如说我有一个模型参数量是1M，在一般的深度学习框架中(比如说PyTorch)，一般是32位存储。32位存储的意思就是1个参数用32个bit来存储。那么这个拥有1M参数量的模型所需要的存储空间的大小即为：1M * 32 bit = 32Mb = 4MB。因为1 Byte = 8 bit。现在的quantization技术就是减少参数量所占的位数：比如我用8位存储，那么：所需要的存储空间的大小即为：1M * 8 bit = 8Mb = 1MB。

总结及浮点计算量FLOPs的指引

浮点计算量：
FLOPs如何计算

参考：
https://blog.csdn.net/m0_51004308/article/details/118048504
https://blog.csdn.net/weixin_45292794/article/details/108227437
https://blog.csdn.net/Leo_whj/article/details/109636819