三个常见的评估指标：Params、FLOPs、MACs

Params (参数量)

定义：模型中所有可学习参数的总和

计算方式：

$\text{Params}={\sum }_{l=1}^L(C_{\text{in}}^l\times C_{\text{out}}^l\times K_h^l\times K_w^l+C_{\text{out}}^l)$

其中：
• L：网络层数
• $C_{\text{in}}/C_{\text{out}}$：输入/输出通道数
• $K_h\times K_w$：卷积核尺寸
物理意义：

• 模型复杂度与记忆能力的直接体现
• 决定模型文件大小和内存占用

典型值域：

• 轻量级模型：<5M (如MobileNetV3-1.0x)
• 中等模型：5-50M (如ResNet50)
• 大型模型：>50M (如ViT-Large)

FLOPs (浮点运算次数)

定义：完成一次前向传播所需的浮点运算总量

计算方式：

$\text{FLOPs}={\sum }_{l=1}^L(2\times C_{\text{in}}^l\times C_{\text{out}}^l\times K_h^l\times K_w^l\times H_{\text{out}}^l\times W_{\text{out}}^l)$

物理意义：

• 计算复杂度的直接度量
• 决定推理速度和能耗

典型场景：

图像分类(224×224输入)：各个模型 FLOPs

• MobileNetV2: 300M
• ResNet50: 4.1G
• ViT-Base: 17.6G

MACs (乘加运算次数)

定义：模型前向传播中乘法与加法运算的总和

计算方式：
$\text{MACs}={\sum }_{l=1}^L(C_{\text{in}}^l\times C_{\text{out}}^l\times K_h^l\times K_w^l\times H_{\text{out}}^l\times W_{\text{out}}^l)$

• 与FLOPs关系：
$\text{FLOPs}\approx 2\times \text{MACs}$

原因：每个乘加运算包含1次乘法+1次加法

硬件意义：
• NPU/GPU等硬件性能的直接度量
• 芯片设计的关键指标

PyTorch测量示例

from ptflops import get_model_complexity_info

macs, params = get_model_complexity_info(
    model, 
    (3, 352, 352),  # 输入尺寸
    as_string=True,
    print_per_layer_stat=False
)
print(f"MACs={macs}, Params={params}")