我们在设计一个CNN网络时，一定要考虑的两个事情，一个是这个网络需要的计算量有多大，一个是这个模型的参数量有多少。计算量决定网络训练的快慢(硬件设备确定的情况),参数量决定计算设备需要多大的内存或显存。CNN的计算量以计算机做乘加次数为单位，即完成某个操作，需要执行多少次乘法和加法操作。参数量以参数个数为单位，要计算内存或显存的，用参数量乘以每个参数所占的字节数即可。
1.计算量
对于输入特征图f=(B,H,W,C)，卷积核张量kernel=(K,S,C,O)，其中，B是batch size大小，H，W，C分别是输入特征图的高，宽和通道数。K,S,C,O分别是卷积操作时，卷积核的大小，移动步长(stride)，特征图输入通道及输出通道数。
- 首先一次卷积的计算量
一个kk的卷积，执行一次卷积操作，需要kk次乘法操作(卷积核中每个参数都要和特征图上的元素相乘一次)，kk-1次加法操作(将卷积结果，kk个数加起来)。所以，一次卷积操作需要的乘加次数:(KK)+(KK-1)=2KK-1 - 在一个特征图上执行卷积需要进行卷积的次数：
在一个特征图上需要执行的卷积次数：(((H-K+Ph)/S)+1)*(((W-K+Pw)/S)+1),Pw,Ph表示在高和宽方向填充的像素。 - C个特征图上进行卷积运算的次数
C个输入特征图上进行卷积运算的次数为C - 输出一个特征图通道需要的加法次数
在C个输入特征图上进行卷积之后需要将卷积的结果相加，得到一个输出特征图上的卷积结果，C个相加需要C-1次加法，所以输出一个特征图的计算量是：
(C-1)C((H-K+Ph)/S+1)((W-K+Pw)/S+1)(2KK-1) - 输出O个特征图需要计算的次数
上面的结果要乘到的是一个通道需要的计算量，需要输出O个通道，计算量还要乘以O，所以O个特征图需要的计算量为：
O(C-1)C((H-K+Ph)/S+1)((W-K+Pw)/S+1)(2K*K-1) - 一个batch的样本需要的计算量
上面是一个样本的数据需要的计算量，每个样本都需要进行卷积运算，所以一个batch的样本需要的计算量为：
BO(C-1)C((H-K+Ph)/S+1)((W-K+Pw)/S+1)(2KK-1)
上面的算式得到的是CNN一层所需要的计算量，将每层的计算量相加就可以得到整个网络的计算量。通常包含乘加的操作有Pool,Relu,BN(含有除法),卷积等。一般都是卷积操作占主要。
2.参数量
CNN网络的参数量和特征图的尺寸无关，仅和卷积核的大小，偏置及BN有关,对于卷积张量kernel=(K,S,C,O)，权重参数量为KKCO,偏置参数量为O，如果使用BN，那么还有两个可学习参数 a,b，参数量都是O，总共2O，终上所述，该卷积层所有的参数量为:
KKCO+3O
需要注意的是，上面计算的仅仅是模型的参数量，若要计算模型实际需要多少显存，还要考虑特征图的大小，因为每一层卷积的输出都需要缓存，还要BN计算出来的均值和偏差也需要缓存，权重的梯度也需要缓存。通常模型参数所占用的显存比例很小。
网友评论