深度学习日记2025.11.20

FLOPs = Floating Point Operations（浮点运算次数），在深度学习里通常指：
模型在一次前向推理中需要执行的浮点运算总量。

它是衡量 模型计算复杂度 的指标，比参数量更能反映“推理时到底要算多少”。

---

🚀 一句话理解

• 参数量（Params）：模型有多少“数字”。

• FLOPs：这些数字在一次推理中要被“算多少次”。

例如：
一个 3×3 卷积核从输入提取特征时，就会进行乘加操作，每次卷积会产生大量“浮点运算”，这些都算进 FLOPs。

---

📌 为什么 FLOPs 很重要？

FLOPs 越大，意味着：

指标	意味着
推理更慢	因为计算量更大
需要更强的 GPU/CPU	不然延迟高
能耗更高	移动端不适合
模型更难实时化	比如要求 30FPS

因此 FLOPs 是判断模型能否部署到 移动设备 / 工业相机 / 单片机 / 边缘端 的核心指标。

---

🧠 FLOPs 如何计算？（直观理解）

以一个卷积为例：

卷积 FLOPs ≈ 输出特征图的每个像素

× 卷积核大小
× 输入通道数
× 输出通道数
× 乘加次数

大模型就是所有层 FLOPs 的累计和。

---

📚 举例（非常直观）

假设你有一个 224×224 输入的轻量级模型：

• MobileNetV2：300M FLOPs

• ResNet50：4.1G FLOPs

• YOLOv8n：8.7G FLOPs

• YOLOv8l：165G FLOPs

→ 同样输入下，ResNet50 的计算量是 MobileNetV2 的 13 倍。

---

💡 FLOPs ≠ 实际速度

虽然 FLOPs 越小一般越快，但并不完全等价：

• 不同硬件（CPU/GPU/TPU）效率不同

• 不同框架（TensorRT / OpenVINO）加速不同

• 内存访问、缓存命中率也影响速度

• 算子类型是否被芯片支持也影响

但 FLOPs 依然是一个非常重要的理论指标。

Precision（精确率） 是机器学习 / 目标检测 / 分类中非常重要的评价指标，用来衡量：

模型预测为“正类”的样本中，有多少是真的正类。

简单说：预测出来的结果里，有多少是真的？
越高代表“误报（假阳性）越少”。

---

🧠 Precision 的公式

• TP（True Positive）真正例：预测是正类，实际也是正类

• FP（False Positive）假正例：预测是正类，但实际为负类（误报）

---

📦 举个很简单的例子

你设计一个“缺陷检测模型”，检测是否有缺陷。
现在模型说 10 个有缺陷，实际只有 7 个是真的缺陷：

• TP = 7

• FP = 3

• Precision = 7 / (7 + 3) = 0.7

→ 表示模型预测缺陷时，只有 70% 是真的。

---

🔍 和 Recall 对比（容易混淆）

指标	含义	形象理解
Precision	预测为正的中有多少是真的	我说的对不对？（误报少）
Recall	实际为正的中我找到了多少	我漏没漏掉？（漏检少）

例如目标检测：

• Precision 低 → 报错一堆不存在的目标

• Recall 低 → 漏掉很多真实目标

---

🎯 Precision 在检测中怎么用？

特别常见于：

✓ 目标检测 mAP 的计算（P–R 曲线中的一部分）

Precision 要和 Recall 配合才能评估完整性能。

✓ 工业缺陷检测

工业场景非常看重 Precision，因为误报会导致：

• 额外人工检查

• 生产线停顿

• 良品被误认为不良

---

⚠ Precision 不关心漏检

如果模型把“有缺陷的产品”全当作“没缺陷”，Precision 可能依然非常高。
所以 Precision 不能单独判断模型好坏。