6.1.3.8. 计算量工具

6.1.3.8.1. 计算量的定义

计算量是用来评估神经网络大小的常用工具。在常见的计算量工具中一般只统计两种操作的计算量，一个是卷积相关，另一个是全连接相关的。

以常见的torch.nn.Conv2d为例，输入数据的形状为bs * c_in * w_in * h_in, 输出数据的形状为bs * c_out * w_out * h_out，卷积核的大小为f。则该Conv2d的计算量为2 * bs * f * f * c_in * c_out * w_out * h_out。2表示加法计算量和乘法计算量各一半。

而torch.nn.Linear的情况里，输入数据的神经元个数为c_in,输出数据的神经元个数为c_out。其实这种全连接层可以作为一个特殊的卷积层，输入输出的大小均为1x1，卷积核大小也是1x1。则全连接层的计算量为bs * (c_in * c_out + c_out)，需要注意是这里乘法和加法的计算量并不完全一致。

.. note::

注意：量化模型和QAT模型和对应的浮点模型的计算量是完全一致的。

6.1.3.8.2. 计算量工具的使用方法

目前计算量工具支持统计计算量的op就是上面提到的两种op，分别为torch.nn.Conv2d和torch.nn.Linear。

python3 tools/calops.py --config ${CONFIG_PATH}

其中config中影响计算量的主要key是test_model（或者model）,以及test_inputs。model相关的决定了计算量工具需要检查的模型，而test_inputs决定了输入的大小，除此之外，输入形状还可以通过--input-shape B,C,H,W的输入参数决定。

6.1.3.8.3. 常见分类模型的计算量（输入大小为1x3x224x224）

network	OPS(G)
mobilenetv1 (alpha=1.0)	0.57
mobilenetv2 (alpha=1.0)	0.31
resnet18	1.81
resnet50	3.86
vargnetv2	0.36
efficientnetb0	0.39