转自知乎：https://zhuanlan.zhihu.com/p/86587652

1、参数量的计算

1.1 卷积网络

假设卷积核的大小为 k*k, 输入channel为M， 输出channel为N。

（1）bias为True时：

则参数数量为：k×k×M×N + N（bias的数量与输出channel的数量是一样的）

（2）bias为False时：

则参数数量为：k×k×M×N

（3）当使用BN时，还有两个可学习的参数α和β，参数量均为N

则参数数量为：k×k×M×N + 3×N

常用网络架构的参数数量：

AlexNet：62369155

VGG16：138357544

ResNet10（BasicBlock）：14356544

ResNet18（BasicBlock）：33161024

ResNet34（BasicBlock）：46159168

ResNet50（Bottleneck）：63470656

ResNet101（Bottleneck）：85205312

ResNet152（Bottleneck）：117364032

1.2 全连接层

假设 输入神经元数为M，输出神经元数为N，则

（1）bias为True时：

则参数数量为：M*N + N（bias的数量与输出神经元数的数量是一样的）

（2）bias为False时：

则参数数量为：M×N

2、计算量

2.1 卷积

假设输入特征图（B，C，H，W），卷积核大小为K×K， 输入通道为C，输出通道为N，步长stride为S， 输出特征图大小为H2，W2.

（1）一次卷积的计算量

一个k×k的卷积，执行一次卷积操作，需要k×k次乘法操作（卷积核中每个参数都要和特征图上的元素相乘一次），k×k−1 次加法操作（将卷积结果，k×k 个数加起来）。所以，一次卷积操作需要的乘加次数：(K×K)+(K×K−1)=2×K×K−1

（2）在一个特征图上需要执行卷积需要卷积的次数

在一个特征图上需要执行的卷积次数：(（H-k+Ph）/S +1 )×(（H-k+Pw）/S +1)，Ph，Pw表示在高和宽方向填充的像素，此处假定了宽高方向滑动步长和核的宽高是一样，若不同，调整一下值即可。若不能整除，可向下取整。

（3）C个特征图上进行卷积运算的次数

C个输入特征图上进行卷积运算的次数为C

（4）输出一个特征图通道需要的加法次数

在C个输入特征图上进行卷积之后需要将卷积的结果相加，得到一个输出特征图上卷积结果，C个相加需要C-1次加法，计算量为 ：（C-1）×H2×W2

（5）输出N个特征图需要计算的次数

N×（（C-1）×H2×W2 + （2×K×K−1）×(（H-k+Ph）/S +1 )×(（H-k+Pw）/S +1) ×C）
（6）一个batch需要计算的次数

B×N×（（C-1）×H2×W2 + （2×K×K−1）×(（H-k+Ph）/S +1 )×(（H-k+Pw）/S +1) ×C）

2.1 全连接

假设 输入神经元数为M，输出神经元数为N，则

（1）先执行M次乘法；

（2）再执行M-1次加法

（3）加上bias，计算出一个神经元的计算量为 （M+M-1+1）

（4）N个输出神经元，则总的计算量为 2M×N