概述 神经网络模型运算可以看成一个数据流入流出的过程，涉及的计算包含内存占用和浮点运算量两个方面。数据占用的空间计算很容易，数据量乘以表示单个数据所占用的字节数 (e.g, 4, 8)。复杂一点的是 layer 部分的参数占用的空间。 本篇不涉及训练时的梯度保存空间。 浮点 ...

（转载自知乎用户@花花） ...

假定： M：每个卷积核输出特征图（Feature Map）的边长 K：每个卷积核（Kernel）的边长 Cin：每个卷积核的通道数，也即输入通道数，也即上一层的输出通道数 Cout：本卷积层具有的卷积核个数，也即输出通道数 可见：每个卷积层的时间复杂度由输出特征图面积M2，卷积核面积K2 ...

文章目录概述一、利用torchstat　　1.1 方法　　1.2 代码　　1.3 输出二、利用ptflops　　2.1 方法　　2.2 代码　　2.3 输出三、利用thop　　3.1 方法　　3.2 代码　　3.3 输出概述　　Params：是指网络模型中需要训练的参数总数，理解为参数量 ...

举例1： 　　比如输入是一个32x32x3的图像，3表示RGB三通道，每个filter/kernel是5x5x3，一个卷积核产生一个feature map，下图中，有6个5x5x3的卷积核，故输出6个feature map（activation map），大小即为28x28x6 ...

其实模型的参数量好算，但浮点运算数并不好确定，我们一般也就根据参数量直接估计计算量了。但是像卷积之类的运算，它的参数量比较小，但是运算量非常大，它是一种计算密集型的操作。反观全连接结构，它的参数量非常多，但运算量并没有显得那么大。 FLOPs(Floating-point Operations ...

一、卷积神经网络参数计算 CNN一个牛逼的地方就在于通过感受野和权值共享减少了神经网络需要训练的参数的个数，所谓权值共享就是同一个Feature Map中神经元权值共享，该Feature Map中的所有神经元使用同一个权值。因此参数个数与神经元的个数无关，只与卷积核的大小及Feature Map ...

卷积神经网络的参数计算 https://blog.csdn.net/qian99/article/details/79008053 前言 这篇文章会简单写一下卷积神经网络上参数的计算 ...