卷积神经网络中的参数量和计算量

在设计一个 CNN 时,通常要考虑两个事情,即计算量和参数量。前者决定了网络训练的快慢,后者决定了计算设备需要多大的内存或显存。

参数量指的是卷积核中的参数的数量,计算量指的是卷积神经网络执行数值运算的次数。

由于参数共享,参数量只与特征图 feature map 的数量有关,而与 feature map 的大小无关,计算量与二者都有关。

符号 解释
M 输入通道
N 输出通道
(K,K) 卷积核
(Hin,Win) 输入特征图
(Hout,Wout) 输出特征图
卷积类型 参数量 计算量 特点
标准卷积 K x K x M x N K x K x M x N x Hout x Wout 卷积核 channel = 输入特征图 channel;输出特征图 channel = 卷积核个数
深度可分离卷积 K x K x M + M x N K x K x M x Hout x Wout + M x N x Hout x Wout 深度卷积卷积核 channel = 1;输入特征图 channel = 卷积核个数 = 输出特征图 channel
文章作者: gzwangu
文章链接: https://gzwangu.github.io/2021/03/30/卷积神经网络中的参数量和计算量/
版权声明: 本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 Clousbin の Blog
支付宝打赏
微信打赏