10.1.3.9. 计算量工具¶
10.1.3.9.1. 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。这两种都是和乘加计算相关的。
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。
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。
10.1.3.9.2. 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有三种，分别为torch.nn.Conv2d，torch.nn.Linear 以及 torch.nn.ConvTranspose2d。
python3 tools/calops.py --config ${CONFIG_PATH} --method hook/fx
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。
这里需要注意的是，其实计算量工具也可以支持matmul，使用方法是–method的时候选择fx。不过这个方法要求模型本身能够支持fx才可以。
10.1.3.9.3. 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 |
10.1.3.9.4. 说明¶
一般有两种情况使用calops会出现结果不对或者计算错误。
使用hook的method，但模型含有
matmul或者其他明确不覆盖的算子。使用fx的method，但模型本身不支持fx，或者含有其他明确不覆盖的算子。