模型的参数怎么算（计算模型的GFLOPs和参数量 & 举例VGG16和DETR）

近期忙于写论文 
  
  
  
  
  
  
  ，分享一下论文中表格数据的计算方法 
  
  
  
  
  
  
  。

目录

一 
  
  
  
  
  
  
  、FLOPS
  
  
  
  
  
  
  
 、FLOPs和GFLOPs的概念

二
 


 


 


 


 


 


 


、计算VGG16的GFLOPs和参数量

三 
 
 
 
 
 
 
 、计算DETR的GFLOPs和参数量

四
   
   
   
   
   
   
   
 、整理数据表格

一
 

 

 

 

 

 

 

、FLOPS 

 

 

 

 

 

 

 、FLOPs和GFLOPs的概念

FLOPS：注意S是大写
  
  
  
  
  
  
  
 ，是 “每秒所执行的浮点运算次数               ”（floating-point operations per second）的缩写
  
  
  
  
  
  
  
 。它常被用来估算电脑的执行效能
 


 


 


 


 


 


 


，尤其是在使用到大量浮点运算的科学计算领域中
 


 


 


 


 


 


 


。正因为FLOPS字尾的那个S 
 
 
 
 
 
 
 ，代表秒
   
   
   
   
   
   
   
 ，而不是复数
 

 

 

 

 

 

 

，所以不能省略掉 
 
 
 
 
 
 
 。 FLOPs：注意s小写 

 

 

 

 

 

 

 ，是floating point operations的缩写（s表复数）               ，意指浮点运算数

 
 

 
 

 
 

 
 

 
 

 
 

 
 

，理解为计算量
   
   
   
   
   
   
   
 。可以用来衡量算法/模型的复杂度
 

 

 

 

 

 

 

。 GFLOPs：一个GFLOPs等于每秒十亿（=10^9）次的浮点运算 

 

 

 

 

 

 

 。

二               、计算VGG16的GFLOPs和参数量

>>>output

参数量： 138357544.0

FLOPS： 15470314496.0

三

 
 

 
 

 
 

 
 

 
 

 
 

 
 

、计算DETR的GFLOPs和参数量

首先













，访问网址：GitHub - facebookresearch/detr: End-to-End Object Detection with Transformers 然后                       ，下载DETR源码压缩包
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，调通源码               。 最后





















，把下面的代码封装到py文件中               ，放到DETR源码的根目录即可

 
 

 
 

 
 

 
 

 
 

 
 

 
 

。 import os import time from PIL import Image import matplotlib.pyplot as plt import torch import torchvision.transforms as T torch.set_grad_enabled(False) from models import build_model import argparse from torch.nn.functional import dropout,linear,softmax def get_args_parser(): parser = argparse.ArgumentParser(Set transformer detector, add_help=False) parser.add_argument(--lr, default=1e-4, type=float) parser.add_argument(--lr_backbone, default=1e-5, type=float) parser.add_argument(--batch_size, default=1, type=int) parser.add_argument(--weight_decay, default=1e-4, type=float) # parser.add_argument(--epochs, default=300, type=int) parser.add_argument(--epochs, default=100, type=int) parser.add_argument(--lr_drop, default=200, type=int) parser.add_argument(--clip_max_norm, default=0.1, type=float, help=gradient clipping max norm) # Model parameters parser.add_argument(--frozen_weights, type=str, default=None, help="Path to the pretrained model. If set, only the mask head will be trained") # * Backbone parser.add_argument(--backbone, default=resnet50, type=str, help="Name of the convolutional backbone to use") parser.add_argument(--dilation, action=store_true, help="If true, we replace stride with dilation in the last convolutional block (DC5)") parser.add_argument(--position_embedding, default=sine, type=str, choices=(sine, learned), help="Type of positional embedding to use on top of the image features") # * Transformer parser.add_argument(--enc_layers, default=6, type=int, help="Number of encoding layers in the transformer") parser.add_argument(--dec_layers, default=6, type=int, help="Number of decoding layers in the transformer") parser.add_argument(--dim_feedforward, default=2048, type=int, help="Intermediate size of the feedforward layers in the transformer blocks") parser.add_argument(--hidden_dim, default=256, type=int, help="Size of the embeddings (dimension of the transformer)") parser.add_argument(--dropout, default=0.1, type=float, help="Dropout applied in the transformer") parser.add_argument(--nheads, default=8, type=int, help="Number of attention heads inside the transformers attentions") parser.add_argument(--num_queries, default=40, type=int, help="Number of query slots") # 论文中对象查询为100 parser.add_argument(--pre_norm, action=store_true) # * Segmentation parser.add_argument(--masks, action=store_true, help="Train segmentation head if the flag is provided") # Loss parser.add_argument(--no_aux_loss, dest=aux_loss, action=store_false, help="Disables auxiliary decoding losses (loss at each layer)") # * Matcher parser.add_argument(--set_cost_class, default=1, type=float, help="Class coefficient in the matching cost") parser.add_argument(--set_cost_bbox, default=5, type=float, help="L1 box coefficient in the matching cost") parser.add_argument(--set_cost_giou, default=2, type=float, help="giou box coefficient in the matching cost") # * Loss coefficients parser.add_argument(--mask_loss_coef, default=1, type=float) parser.add_argument(--dice_loss_coef, default=1, type=float) parser.add_argument(--bbox_loss_coef, default=5, type=float) parser.add_argument(--giou_loss_coef, default=2, type=float) parser.add_argument(--eos_coef, default=0.1, type=float, help="Relative classification weight of the no-object class") # dataset parameters parser.add_argument(--dataset_file, default=coco) parser.add_argument(--coco_path, default=, type=str) parser.add_argument(--coco_panoptic_path, type=str) parser.add_argument(--remove_difficult, action=store_true) parser.add_argument(--output_dir, default=E:\project_yd\paper_sci_one_yd\Transformer\DETR\detr\\runs\\train, help=path where to save, empty for no saving) parser.add_argument(--device, default=cuda, help=device to use for training / testing) parser.add_argument(--seed, default=42, type=int) # ============================================================================= # parser.add_argument(--resume, default=, help=resume from checkpoint) # ============================================================================= # parser.add_argument(--start_epoch, default=0, type=int, metavar=N, help=start epoch) parser.add_argument(--eval, action=store_true) parser.add_argument(--num_workers, default=2, type=int) # distributed training parameters parser.add_argument(--world_size, default=1, type=int, help=number of distributed processes) parser.add_argument(--dist_url, default=env://, help=url used to set up distributed training) return parser if __name__ == __main__: parser = argparse.ArgumentParser(DETR training and evaluation script, parents=[get_args_parser()]) args = parser.parse_args() # 建立模型 model, criterion, postprocessors = build_model(args) model.to(cuda:0) url = rdetr-r50-dc5-f0fb7ef5.pth state_dict = torch.load(url) # print(state_dict) # 加载模型参数
  
 
  
 
  
 
  
 
  
 
  
 
  
 
 ，以字典的形式表示 model.load_state_dict(state_dict[model]) model.eval() # 把字符串类型转换成字典类型 # ==================================================== # from thop import profile import torchsummary device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") model.to(device) input = torch.zeros((1, 3, 800, 1422)).to(device) flops, params = profile(model.to(device), inputs=(input,)) print("参数量：", params) print("FLOPS：", flops) # ==================================================== #

>>> output

参数量： 36739785.0

FLOPS： 100937364480.0

四













、整理数据表格

Model GFLOPs Params VGG16 15.47 13.84 M DETR 100.94 36.74 M

>>> 如有疑问














，欢迎评论区一起探讨！