🍉 CSDN 叶庭云：https://yetingyun.blog.csdn.net/

---

1. 卷积层（Convolutional Layer）

a) 计算量估计：

卷积层的 FLOPs = 2 * H_out * W_out * C_in * C_out * K_h * K_w

详细解释：

• H_out, W_out：输出特征图的高度和宽度
• C_in：输入通道数
• C_out：输出通道数（卷积核数量）
• K_h, K_w：卷积核的高度和宽度
• 乘以 2 是因为每次卷积操作包含一次乘法和一次加法

注意：输出特征图的尺寸可以通过以下公式计算：
H_out = (H_in - K_h + 2P) / S + 1
W_out = (W_in - K_w + 2P) / S + 1
其中，H_in 和 W_in 是输入特征图的高度和宽度，P 是填充（padding），S 是步长（stride）。

b) 参数数量估计：

卷积层的参数数 = (K_h * K_w * C_in + 1) * C_out

解释：

• K_h * K_w * C_in 是每个卷积核的权重数量
• 加 1 是因为每个卷积核还有一个偏置项（bias）
• 乘以 C_out 是因为有 C_out 个卷积核

2. 全连接层（Fully Connected Layer）

a) 计算量估计：

全连接层的 FLOPs = 2 * N_in * N_out

解释：

• N_in：输入神经元数量
• N_out：输出神经元数量
• 乘以 2 同样是因为每个连接包含一次乘法和一次加法

b) 参数数量估计：

全连接层的参数数 = (N_in + 1) * N_out

解释：

• N_in * N_out 是权重的数量
• 加 1 再乘以 N_out 是因为每个输出神经元有一个偏置项

3. 池化层（Pooling Layer）

a) 计算量估计：

对于最大池化（Max Pooling）：FLOPs ≈ H_out * W_out * C * K_h * K_w
对于平均池化（Average Pooling）：FLOPs ≈ 2 * H_out * W_out * C * K_h * K_w

解释：

• H_out, W_out：输出特征图的尺寸
• C：通道数（与输入相同）
• K_h, K_w：池化窗口的高度和宽度

b) 参数数量：池化层通常没有可学习的参数

4. 激活函数（Activation Functions）

激活函数的计算量通常较小，但在精确计算时可以考虑：

ReLU 的 FLOPs ≈ H * W * C （仅需要比较操作）
Sigmoid$/$Tanh 的 FLOPs 会更多，因为涉及指数计算

5. 批归一化层（Batch Normalization）

a) 计算量估计：

BN 层的 FLOPs ≈ 4 * H * W * C

解释：需要计算均值、方差、归一化和缩放 $/$ 平移

b) 参数数量：

BN 层的参数数 = 2 * C （每个通道有一个缩放因子和一个平移因子）

6. 总体估算

要估算整个 CNN 的计算量和参数数量，需要:

1. 分析网络架构中的每一层
2. 根据上述方法计算每层的 FLOPs 和参数数
3. 将所有层的结果相加

注意事项：

• 实际运行时的计算量可能与理论估计有差异，因为现代硬件和优化技术可能会影响实际性能。
• 某些操作（如数据传输）虽然不直接体现在 FLOPs 中，但也会影响实际运行时间。
• 在设计神经网络时，平衡计算复杂度和模型性能是很重要的。

---