深度学习中参数量与计算量的理解
接下来要分别概述以下内容：
１首先什么是参数量，什么是计算量
２如何计算参数量，如何统计计算量
３换算参数量，把他换算成我们常用的单位，比如:mb
４对于各个经典网络，论述他们是计算量大还是参数两，有什么好处
５计算量，参数量分别对显存，芯片提出什么要求，我们又是怎么权衡
１首先什么是计算量，什么是参数量
计算量对应我们之前的时间复杂度，参数量对应于我们之前的空间复杂度，这么说就很明显了
也就是计算量要看网络执行时间的长短，参数量要看占用显存的量
２如何计算参数量，计算量
（１）针对于卷积层的
其中上面的公式是计算时间复杂度(计算量)，而下面的公式是计算空间复杂度(参数量)
对于卷积层：
参数量就是(kernel*kernel)*channel_input*channel_output
kernel*kernel就是weight*weight
其中kernel*kernel＝1个feature的参数量
计算量就是(kernel*kernel*map*map)*channel_input*channel_output
kernel*kernel就是weight*weight
map*map是下个featuremap的大小，也就是上个weight*weight到底做了多少次运算
其中kernel*kernel*map*map＝1个feature的计算量
（２）针对于池化层：
无参数
（３）针对于全连接层：
参数量＝计算量＝weight_in*weight_out
３对于换算计算量
１一般一个参数是值一个float，也就是４个字节，
２1kb=1024字节
４对于各个经典网络：
(1)换算
以alexnet为例：
参数量：6000万
设每个参数都是float,也就是一个参数是4字节，
总的字节数是24000万字节
24000万字节=24000万/1024/1024=228mb
(2)为什么模型之间差距这么大
这个关乎于模型的设计了，其中模型里面最费参数的就是全连接层，这个可以看alex和vgg,
alex,vgg有很多fc(全连接层)
resnet就一个fc
inceptionv1(googlenet)也是就一个fc
(3)计算量
densenet其实这个模型不大，也就是参数量不大，因为就1个fc
但是他的计算量确实很大，因为每一次都把上一个feature加进来，所以计算量真的很大
５计算量与参数量对于硬件要求
计算量，参数量对于硬件的要求是不同的
计算量的要求是在于芯片的floaps（指的是gpu的运算能力）
参数量取决于显存大小