神经网络的利用率和

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/niaolianjiulin/article/details/84073573

1. 神经网络的利用率

当一个CNN网络做forward时，对于硬件资源的利用情况，称之为利用率。

如何计算利用率？

• 计算网络的计算量，通常是乘累加的次数
• 测量网络运行耗时
• 乘累加次数除以耗时， 计算该网络的GFLOPS
• 用计算的网络GFLOPS除以硬件资源的理论GFLOPS，即利用率

2. GFLOPS

全称：float operations per second，每秒可做浮点操作的数量。用来衡量硬件性能，等价于运算速度。该值越大，说明硬件性能越高，速度越快。量级通常在M（10e6），G（10e9），T（10e12）。例如：9.6 GFLOPS 表示每秒可做 9.6 G 次浮点操作。

FLOPs：全称是float operations，浮点运算次数，等价于运算量。可用来衡量网络/模型的复杂度。该值越大，表示该网络的计算复杂度越高。

3. 网络计算量

网络前向计算时，卷积运算占据耗时90%以上。因此重点关注下如何计算卷积的运算量。

为简化问题，以下讨论认为：卷积采用滑动窗口且，忽略非线性计算的开销。

有卷积层的参数包括：输入 feature map 的 $C_{in}$，宽 $H_{in}$，高 $W_{in}$ ，输出 feature map 的 $C_{out}$，宽 $H_{out}$，高 $W_{out}$ ，卷积核的尺寸 $K$，卷积核通道等于 $C_{in}$，卷积核个数等于 $C_{out}$。则该卷积核与feature map做卷积的运算量为：

$FLOPs = (K * K * C_{in} * 2 + 1 ) * W_{out} * H_{out} * C_{out}$

$W_{out} = W_{in} / stride_w, H_{out} = H_{in} / stride_h$

其中的1表示偏置量。偏置值每个卷积核对应1个，共有 $C_{out}$ 个。(wx+b)

将 FLOPS 除以 10e9 得到 GFLOPS。

参考

[1] 神经网络计算量FLOPs: https://blog.csdn.net/zhaoyin214/article/details/83616164
[2] print_model_parm_flops: https://blog.csdn.net/junmuzi/article/details/83109660