深度学习卷积、全连接层、深度可分离层参数量和FLOPs计算公式

来源

卷积：

输入尺寸  ，卷积核的大小为  * ，输出的尺寸大小为 

参数量

（1）不考虑bias：
（2）考虑bias：

FLOPs

（1）不考虑bias

解释：先计算输出的中一个元素需要的计算量，即括号这一部分，根据卷积的公式可知这部分为 * + * ,其中前一项表示做了的乘法次数，后一项表示这些乘法结果的相加次数，因为个数相加需要次。所以显然如果考虑bias的话刚好把这个给补回去。
（2）考虑bias

全连接

输入维度，输出

参数量

(1)不考虑bias：
(2)考虑bias：

FLOPs

这个很简单，全连接层就理解为一个矩阵，是矩阵行数，为列数，若不考虑bias,则先计算输出向量中的一个元素需要多少计算量，首先要做次乘法，然后做次加法。若考虑bias，则做的加法会多一次
（1）不考虑bias

（2）考虑bias

Depth-wise CNN（深度可分离卷积）

输入尺寸 ，卷积核的大小为 * ，输出的尺寸大小为 ：

深度可分离卷积的过程：

1. 将普通卷积分为组，进行卷积的时候是没有普通卷积中在通道维度上求和的过程的
2. 用一个的卷积核来进行通道融合，所以总的参数量和FLOPs计算如下
   不考虑bias的情况下计算如下：
   

考虑bias的情况计算如下：