其他分享
首页 > 其他分享> > 全连接-普通卷积-深度可分离卷积-分组卷积-计算量和参数量

全连接-普通卷积-深度可分离卷积-分组卷积-计算量和参数量

作者:互联网

  1. 一个全连接的参数量
    p a r a m s = ( N i + 1 ) × N o params=(N_i+1)\times{N_o} params=(Ni​+1)×No​
    其中, N i N_i Ni​ 表示输入特征向量权重个数, N o N_o No​ 表示输出特征向量的权重个数,+1表示偏置,直接理解参数量与输入输出个数有关。

  2. 一个全连接的计算量
    F L O P s = [ I i + ( I i − 1 ) + 1 ] × I o FLOPs= [I_i+(I_i-1)+1]\times{I_o} FLOPs=[Ii​+(Ii​−1)+1]×Io​
    其中, I i I_i Ii​ 表示输入特征数, I i − 1 I_i-1 Ii​−1 表示加法次数,+1表示偏置, I o I_o Io​ 表示输出的特征个数,也是与输入输出个数有关。(注: F L O P S FLOPS FLOPS 指的是机器每秒浮点运算次数,衡量硬件指标,与 F L O P s FLOPs FLOPs 是浮点运算数,理解为模型计算量)

  3. 一层卷积的参数量
    p a r a m s = ( k w × k h × C i + 1 ) × C o params = (k_w\times{k_h}\times{C_{i}}+1)\times{C_o} params=(kw​×kh​×Ci​+1)×Co​
    其中, k w k_w kw​ 和 k h k_h kh​ 是卷积核的宽和高, C i C_i Ci​ 和 C o C_o Co​ 表示输入通道和输出通道,+1表示偏置,若 k w k_w kw​ 和 k h k_h kh​ 相等,则为 ( k 2 × C i + 1 ) × C o (k^2\times{C_i+1})\times{C_o} (k2×Ci​+1)×Co​ ,可以理解为参数量只与卷积核和输入输出通道有关。

  4. 一层卷积的计算量
    F L O P s = [ ( C i × k w × k h ) + ( C i × k w × k h − 1 ) + 1 ] × C o × W i × H i FLOPs = \left[(C_i\times{k_w\times{k_h}})+(C_i\times{k_w\times{k_h-1}})+1\right]\times{C_o\times{W_i}\times{H_i}} FLOPs=[(Ci​×kw​×kh​)+(Ci​×kw​×kh​−1)+1]×Co​×Wi​×Hi​
    其中,第一个小括号表示乘法运算量,第二个小括号表示加法运算量(可以理解为一次卷积多少个数相加减1),+1表示偏置, C o C_o Co​ 表示输出通道数, W i W_i Wi​ 是输入的宽, H i H_i Hi​ 是输入的高,可以理解为计算量与卷积核和输入输出通道以及输入的大小有关。

  5. 深度可分离卷积
    深度可分离卷积1
    给定一个 D F × D F × M D_F\times{D_F}\times{M} DF​×DF​×M 的特征图生成一个 D F × D F × N D_F\times{D_F}\times{N} DF​×DF​×N 的特征图

    正常卷积核尺寸: D K × D K × M × N D_K\times{D_K}\times{M}\times{N} DK​×DK​×M×N ,计算量为: 2 ( M × D K × D K ) × D F × D F 2(M\times{D_K\times{D_K}})\times{D_F}\times{D_F} 2(M×DK​×DK​)×DF​×DF​, 深度可分离卷积中,深度卷积尺寸是 D K × D K × M D_K\times{D_K}\times{M} DK​×DK​×M ,每个卷积核的通道数为1, 2 ( M × D K × D K ) × D F × D F 2(M\times{}D_K\times{D_K})\times{D_F}\times{D_F} 2(M×DK​×DK​)×DF​×DF​;点卷积尺寸是 M × 1 × 1 × N M\times1\times{1}\times{N} M×1×1×N, 每个卷积核尺寸是 1 × 1 1\times1 1×1 ,计算量是 2 × M × N × D F × D F 2\times{M}\times{N}\times{D_F}\times{D_F} 2×M×N×DF​×DF​, 都按照正常卷积的公式带入即可,所以深度可分离卷积的计算量是:
    2 ( D K × D K ) × N × D F × D F + 2 ( M × N × D F × D F ) 2(D_K\times{D_K})\times{N}\times{D_F}\times{D_F} + 2(M\times{N}\times{D_F}\times{D_F}) 2(DK​×DK​)×N×DF​×DF​+2(M×N×DF​×DF​)
    所以深度可分离卷积与传统卷积的计算量之比:
    2 ( M × D K × D K ) × D F × D F + 2 ( M × N × D F × D F ) 2 ( M × D K × D K ) × N × D F × D F = 1 N + 1 D K 2 \frac{2(M\times{}D_K\times{D_K})\times{D_F}\times{D_F}+2(M\times{N}\times{D_F}\times{D_F})}{2(M\times{D_K}\times{D_K})\times{N}\times{D_F}\times{D_F}} = \frac{1}{N}+\frac{1}{D_K^2} 2(M×DK​×DK​)×N×DF​×DF​2(M×DK​×DK​)×DF​×DF​+2(M×N×DF​×DF​)​=N1​+DK2​1​
    所以3x3的深度可分离卷积减少8-9倍的计算量,而精度只降低一点。先进行深度卷积再进行点卷积以此分离正常的卷积步骤。

    理解深度可分离卷积的过程下面这张图更好理解:
    深度可分离卷积2

  6. 分组卷积
    分组卷积1

    第一张图是正常卷积,第二张图是分组卷积,对于正常卷积的参数量是 h 1 × w 1 × c 1 × c 2 h_1\times{w_1}\times{c_1}\times{c_2} h1​×w1​×c1​×c2​ ,对于分组卷积的参数量指的是 h 1 × w 1 × c 1 g × c 2 g × g h_1\times{w_1}\times{\frac{c_1}{g}}\times{\frac{c_2}{g}}\times{g} h1​×w1​×gc1​​×gc2​​×g ,可以这样解释:原特征图分成 g g g 组,每一组生成 c 2 g \frac{c_2}{g} gc2​​ 通道的特征图, h 1 × w 1 × c 1 g × c 2 g h_1\times{w_1}\times{\frac{c_1}{g}}\times{\frac{c_2}{g}} h1​×w1​×gc1​​×gc2​​ 的含义是一组的参数,一共有 g g g 组所以得到参数如上所述。所以分组卷积的参数量是标准卷积的 1 g \frac{1}{g} g1​ ,所以分组卷积减少参数量。

    分组卷积的作用:减少参数量,可以看成稀疏操作(相当于正则化操作),当输入输出特征图数量一致时就是深度卷积。

    这张图更容易理解分组卷积:
    分组卷积2
    参考链接:
    神经网络中的参数量和计算量
    CNN模型复杂度(FLOPs、MAC)、参数量与运行速度
    深度可分离卷积
    深度学习_卷积神经网络_分组卷积
    理解分组卷积和深度可分离卷积如何降低参数量
    CNN模型复杂度(FLOPs、MAC)、参数量与运行速度

标签:frac,DK,卷积,times,DF,分组,深度,FLOPs
来源: https://blog.csdn.net/weixin_44605171/article/details/120244629