Params(参数量)、Model_size(模型大小)和Flops(计算量)

参数量（params）：

• 参数的数量，通常以M为单位。
• params = Kh × Kw × Cin × Cout

模型大小(模型大小)：

• 在一般的深度学习的框架中（如PyTorch），一般是32位存储，即一个参数用32个bit来存储。所以，一个拥有1M（这里的M是数量单位一百万）参数量的模型所需要的存储空间大小为：1M * 32bit = 32Mb = 4MB。

计算量(Flops)：

• 即浮点运算数，用来衡量算法/模型的复杂度。图通常只考虑乘加操作的数量，而且只考虑Conv和FC等参数层计算量，忽略BN和PReLU等。一般情况下，Conv和FC层也会忽略仅纯加操作的计算量，如偏置加和shortcut残差加等。目前技术只有BN和CNN可以不加偏置。
• FLOPs = Kh * Kw * Cin * Cout * H * W