深度学习中模型计算量(FLOPs)和参数量(Params)的理解以及四种计算方法总结
发布时间：2023-03-11 08:00
接下来要分别概述以下内容：
１ 首先什么是参数量，什么是计算量
２ 如何计算 参数量，如何统计 计算量
３ 换算参数量，把他换算成我们常用的单位，比如:mb
４ 对于各个经典网络，论述他们是计算量大还是参数量，有什么好处
５ 计算量，参数量分别对显存，芯片提出什么要求，我们又是怎么权衡
深度学习中模型参数量和计算量的理解与计算
- 1 首先什么是计算量，什么是参数量
- 2 如何计算：参数量，计算量
- 3 对于换算计算量
- 4 对于各个经典网络：
- 5 计算量与参数量对于硬件要求
- 6 计算量(FLOPs)和参数量(Params)
-
- 6.1 第一种方法：thop
-
- 第一步：安装模块
- 第二步：计算
- 6.2 第二种方法：ptflops
- 6.3 第三种方法：pytorch_model_summary
- 6.4 第四种方法：参数总量和可训练参数总量
- 7 输入数据对模型的参数量和计算量的影响
- 参考资料
1 首先什么是计算量，什么是参数量
计算量对应我们之前的时间复杂度，参数量对应于我们之前的空间复杂度，这么说就很明显了
也就是计算量要看网络执行时间的长短，参数量要看占用显存的量
2 如何计算：参数量，计算量
（１）针对于卷积层的
![\"深度学习中模型计算量(FLOPs)和参数量(Params)的理解以及四种计算方法总结_第1张图片\"](\"https://img.it610.com/image/info8/e52aaaba0fc641b8a83827506e758183.jpg\")
其中上面的公式是计算时间复杂度(计算量)，而下面的公式是计算空间复杂度(参数量)
对于卷积层：
参数量就是
(kernel*kernel) *channel_input*channel_output
kernel*kernel 就是 weight * weight
其中kernel*kernel ＝ 1个feature的参数量
计算量就是
(kernel*kernel*map*map) *channel_input*channel_output
kernel*kernel 就是weight*weight
map*map是下个featuremap的大小，也就是上个weight*weight到底做了多少次运算
其中kernel*kernel*map*map＝ 1个feature的计算量
（２）针对于池化层：
无参数
（３）针对于全连接层：
参数量＝计算量＝weight_in*weight_out
3 对于换算计算量
-
一般一个参数是值一个float，也就是４个字节
-
1kb=1024字节
4 对于各个经典网络：
![\"深度学习中模型计算量(FLOPs)和参数量(Params)的理解以及四种计算方法总结_第2张图片\"](\"https://img.it610.com/image/info8/1b96e535d52b40aaa610c03a17f5dd89.jpg\")
(1)换算
以alexnet为例：
参数量：6000万
设每个参数都是float,也就是一个参数是4字节，
总的字节数是24000万字节
24000万字节= 24000万/1024/1024=228mb
(2)为什么模型之间差距这么大
这个关乎于模型的设计了，其中模型里面最费参数的就是全连接层，这个可以看alex和vgg,
alex,vgg有很多fc(全连接层)
resnet就一个fc
inceptionv1(googlenet)也是就一个fc
(3)计算量
densenet其实这个模型不大，也就是参数量不大，因为就1个fc
但是他的计算量确实很大，因为每一次都把上一个feature加进来，所以计算量真的很大
5 计算量与参数量对于硬件要求
计算量，参数量对于硬件的要求是不同的
计算量的要求是在于芯片的floaps（指的是gpu的运算能力）
参数量取决于显存大小
6 计算量(FLOPs)和参数量(Params)
6.1 第一种方法：thop
计算量：
FLOPs，FLOP时指浮点运算次数，s是指秒，即每秒浮点运算次数的意思，考量一个网络模型的计算量的标准。
参数量：
Params，是指网络模型中需要训练的参数总数。
第一步：安装模块
pip install thop
第二步：计算
# -- coding: utf-8 --
import torch
import torchvision
from thop import profile
# Model
print(\'==> Building model..\')
model = torchvision.models.alexnet(pretrained=False)
dummy_input = torch.randn(1, 3, 224, 224)
flops, params = profile(model, (dummy_input,))
print(\'flops: \', flops, \'params: \', params)
print(\'flops: %.2f M, params: %.2f M\' % (flops / 1000000.0, params / 1000000.0))
结果
==> Building model..
[INFO] Register count_convNd() for <class \'torch.nn.modules.conv.Conv2d\'>.
[INFO] Register zero_ops() for <class \'torch.nn.modules.activation.ReLU\'>.
[INFO] Register zero_ops() for <class \'torch.nn.modules.pooling.MaxPool2d\'>.
[WARN] Cannot find rule for <class \'torch.nn.modules.container.Sequential\'>. Treat it as zero Macs and zero Params.
[INFO] Register count_adap_avgpool() for <class \'torch.nn.modules.pooling.AdaptiveAvgPool2d\'>.
[INFO] Register zero_ops() for <class \'torch.nn.modules.dropout.Dropout\'>.
[INFO] Register count_linear() for <class \'torch.nn.modules.linear.Linear\'>.
[WARN] Cannot find rule for <class \'torchvision.models.alexnet.AlexNet\'>. Treat it as zero Macs and zero Params.
flops: 714691904.0 params: 61100840.0
flops: 714.69 M, params: 61.10 M
注意：
- 输入input的第一维度是批量(batch size)，批量的大小不回影响参数量， 计算量是batch_size=1的倍数
- profile(net, (inputs,))的 (inputs,)中必须加上逗号，否者会报错
6.2 第二种方法：ptflops
# -- coding: utf-8 --
import torchvision
from ptflops import get_model_complexity_info
model = torchvision.models.alexnet(pretrained=False)
flops, params = get_model_complexity_info(model, (3, 224, 224), as_strings=True, print_per_layer_stat=True)
print(\'flops: \', flops, \'params: \', params)
结果
AlexNet(
61.101 M, 100.000% Params, 0.716 GMac, 100.000% MACs,
(features): Sequential(
2.47 M, 4.042% Params, 0.657 GMac, 91.804% MACs,
(0): Conv2d(0.023 M, 0.038% Params, 0.07 GMac, 9.848% MACs, 3, 64, kernel_size=(11, 11), stride=(4, 4), padding=(2, 2))
(1): ReLU(0.0 M, 0.000% Params, 0.0 GMac, 0.027% MACs, inplace=True)
(2): MaxPool2d(0.0 M, 0.000% Params, 0.0 GMac, 0.027% MACs, kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
(3): Conv2d(0.307 M, 0.503% Params, 0.224 GMac, 31.316% MACs, 64, 192, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(4): ReLU(0.0 M, 0.000% Params, 0.0 GMac, 0.020% MACs, inplace=True)
(5): MaxPool2d(0.0 M, 0.000% Params, 0.0 GMac, 0.020% MACs, kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
(6): Conv2d(0.664 M, 1.087% Params, 0.112 GMac, 15.681% MACs, 192, 384, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(7): ReLU(0.0 M, 0.000% Params, 0.0 GMac, 0.009% MACs, inplace=True)
(8): Conv2d(0.885 M, 1.448% Params, 0.15 GMac, 20.902% MACs, 384, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(9): ReLU(0.0 M, 0.000% Params, 0.0 GMac, 0.006% MACs, inplace=True)
(10): Conv2d(0.59 M, 0.966% Params, 0.1 GMac, 13.936% MACs, 256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(11): ReLU(0.0 M, 0.000% Params, 0.0 GMac, 0.006% MACs, inplace=True)
(12): MaxPool2d(0.0 M, 0.000% Params, 0.0 GMac, 0.006% MACs, kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(avgpool): AdaptiveAvgPool2d(0.0 M, 0.000% Params, 0.0 GMac, 0.001% MACs, output_size=(6, 6))
(classifier): Sequential(
58.631 M, 95.958% Params, 0.059 GMac, 8.195% MACs,
(0): Dropout(0.0 M, 0.000% Params, 0.0 GMac, 0.000% MACs, p=0.5, inplace=False)
(1): Linear(37.753 M, 61.788% Params, 0.038 GMac, 5.276% MACs, in_features=9216, out_features=4096, bias=True)
(2): ReLU(0.0 M, 0.000% Params, 0.0 GMac, 0.001% MACs, inplace=True)
(3): Dropout(0.0 M, 0.000% Params, 0.0 GMac, 0.000% MACs, p=0.5, inplace=False)
(4): Linear(16.781 M, 27.465% Params, 0.017 GMac, 2.345% MACs, in_features=4096, out_features=4096, bias=True)
(5): ReLU(0.0 M, 0.000% Params, 0.0 GMac, 0.001% MACs, inplace=True)
(6): Linear(4.097 M, 6.705% Params, 0.004 GMac, 0.573% MACs, in_features=4096, out_features=1000, bias=True)
)
)
flops: 0.72 GMac params: 61.1 M
6.3 第三种方法：pytorch_model_summary
import torch
import torchvision
from pytorch_model_summary import summary
# Model
print(\'==> Building model..\')
model = torchvision.models.alexnet(pretrained=False)
dummy_input = torch.randn(1, 3, 224, 224)
print(summary(model, dummy_input, show_input=False, show_hierarchical=False))
结果
==> Building model..
-----------------------------------------------------------------------------
Layer (type) Output Shape Param # Tr. Param #
=============================================================================
Conv2d-1 [1, 64, 55, 55] 23,296 23,296
ReLU-2 [1, 64, 55, 55] 0 0
MaxPool2d-3 [1, 64, 27, 27] 0 0
Conv2d-4 [1, 192, 27, 27] 307,392 307,392
ReLU-5 [1, 192, 27, 27] 0 0
MaxPool2d-6 [1, 192, 13, 13] 0 0
Conv2d-7 [1, 384, 13, 13] 663,936 663,936
ReLU-8 [1, 384, 13, 13] 0 0
Conv2d-9 [1, 256, 13, 13] 884,992 884,992
ReLU-10 [1, 256, 13, 13] 0 0
Conv2d-11 [1, 256, 13, 13] 590,080 590,080
ReLU-12 [1, 256, 13, 13] 0 0
MaxPool2d-13 [1, 256, 6, 6] 0 0
AdaptiveAvgPool2d-14 [1, 256, 6, 6] 0 0
Dropout-15 [1, 9216] 0 0
Linear-16 [1, 4096] 37,752,832 37,752,832
ReLU-17 [1, 4096] 0 0
Dropout-18 [1, 4096] 0 0
Linear-19 [1, 4096] 16,781,312 16,781,312
ReLU-20 [1, 4096] 0 0
Linear-21 [1, 1000] 4,097,000 4,097,000
=============================================================================
Total params: 61,100,840
Trainable params: 61,100,840
Non-trainable params: 0
-----------------------------------------------------------------------------
6.4 第四种方法：参数总量和可训练参数总量
import torch
import torchvision
from pytorch_model_summary import summary
# Model
print(\'==> Building model..\')
model = torchvision.models.alexnet(pretrained=False)
pytorch_total_params = sum(p.numel() for p in model.parameters())
trainable_pytorch_total_params = sum(p.numel() for p in model.parameters() if p.requires_grad)
print(\'Total - \', pytorch_total_params)
print(\'Trainable - \', trainable_pytorch_total_params)
结果
==> Building model..
Total - 61100840
Trainable - 61100840
7 输入数据对模型的参数量和计算量的影响
# -- coding: utf-8 --
import torch
import torchvision
from thop import profile
# Model
print(\'==> Building model..\')
model = torchvision.models.alexnet(pretrained=False)
dummy_input = torch.randn(1, 3, 224, 224)
flops, params = profile(model, (dummy_input,))
print(\'flops: \', flops, \'params: \', params)
print(\'flops: %.2f M, params: %.2f M\' % (flops / 1000000.0, params / 1000000.0))
- 输入数据：(1, 3, 224, 224)，一张224*224的RGB图像
flops: 714691904.0 params: 61100840.0
flops: 714.69 M, params: 61.10 M
- 输入数据：(1, 3, 512, 512)，一张512*512的RGB图像
flops: 3710034752.0 params: 61100840.0
flops: 3710.03 M params: 61.10 M
- 输入数据：(8, 3, 224, 224)，八张224*224的RGB图像
flops: 5717535232.0 params: 61100840.0
flops: 5717.54 M params: 61.10 M
| 输入数据 | 计算量（flops） | 参数量（params） |
|---|---|---|
| (1, 3, 224, 224) | 714.69 M | 61.10 M |
| (1, 3, 512, 512) | 3710.03 M | 61.10 M |
| (8, 3, 224, 224) | 5717.54 M | 61.10 M |
参考资料
- https://www.cnblogs.com/lllcccddd/p/10671879.html
- https://blog.csdn.net/Caesar6666/article/details/109842379