本文详细解析了卷积神经网络中卷积层与全连接层的模型参数量及每秒浮点运算速度的计算公式。对于卷积层，模型参数量由kernel大小、输入与输出特征图的通道数决定；每秒浮点运算速度则与输出特征图的尺寸有关。全连接层的模型参数量和每秒浮点运算速度则直接由输入输出单元的数量决定。
1.对卷积层而言，有：
模型参数量计算公式：
（K_h * K_w * C_in）* C_out模型每秒浮点运算速度计算公式：
(K_h * K_w * C_in * C_out) * (H_out * W_out)其中：K_h和K_w 代表了kernel的input_size, C_in是input feature map的channel数，C_out是output feature map的channel数；
H_out和W_out 分别代表了output feature map的size。
2.对全连接层而言，有：
模型参数量计算公式：
C_in * C_out模型每秒浮点运算速度计算公式：
C_in * C_out附加资料：
一个MFLOPS（megaFLOPS）等于每秒一百万（=10^6）次的浮点运算，
一个GFLOPS（gigaFLOPS）等于每秒十亿（=10^9）次的浮点运算，
一个TFLOPS（teraFLOPS）等于每秒一万亿（=10^12）次的浮点运算
扫一扫
6986
到【灌水乐园】发言
