机器之心报道
参与:思源你的模型到底有多少参数,每秒的浮点运算到底有多少,这些你都知道吗?近日,GitHub 开源了一个小工具,它可以统计 PyTorch 模型的参数量与每秒浮点运算数(FLOPs)。有了这两种信息,模型大小控制也就更合理了。 其实模型的参数量好算,但浮点运算数并不好确定,我们一般也就根据参数量直接估计计算量了。但是像卷积之类的运算,它的参数量比较小,但是运算量非常大,它是一种计算密集型的操作。反观全连接结构,它的参数量非常多,但运算量并没有显得那么大。
此外,机器学习还有很多结构没有参数但存在计算,例如[url=]最大池化[/url]和 [url=]Dropout[/url] 等。因此,PyTorch-OpCounter 这种能直接统计 FLOPs 的工具还是非常有吸引力的。
- PyTorch-OpCounter GitHub 地址:https://github.com/Lyken17/pytorch-OpCounter
OpCouter
PyTorch-OpCounter 的安装和使用都非常简单,并且还能定制化统计规则,因此那些特殊的运算也能自定义地统计进去。
我们可以使用 pip 简单地完成安装:pip install thop。不过 GitHub 上的代码总是最新的,因此也可以从 GitHub 上的脚本安装。
对于 torchvision 中自带的模型,Flops 统计通过以下几行代码就能完成:
- from torchvision.models import resnet50
复制代码- [/code][code]model = resnet50()
复制代码- input = torch.randn(1, 3, 224, 224)
复制代码- flops, params = profile(model, inputs=(input, ))
复制代码 我们测试了一下 DenseNet-121,用 OpCouter 统计了参数量与运算量。API 的输出如下所示,它会告诉我们具体统计了哪些结构,它们的配置又是什么样的。
最后输出的浮点运算数和参数量分别为如下所示,换算一下就能知道 DenseNet-121 的参数量约有 798 万,计算量约有 2.91 GFLOPs。
OpCouter 是怎么算的
我们可能会疑惑,OpCouter 到底是怎么统计的浮点运算数。其实它的统计代码在项目中也非常可读,从代码上看,目前该工具主要统计了视觉方面的运算,包括各种卷积、激活函数、池化、批归一化等。例如最常见的二维卷积运算,它的统计代码如下所示:
- def count_conv2d(m, x, y):
复制代码- [/code][code] cin = m.in_channels
复制代码- [/code][code] out_h = y.size(2)
复制代码- [/code][code] # ops per output element
复制代码- # kernel_mul = kh * kw * cin
复制代码- # kernel_add = kh * kw * cin - 1
复制代码- kernel_ops = multiply_adds * kh * kw
复制代码- bias_ops = 1 if m.bias is not None else 0
复制代码- ops_per_element = kernel_ops + bias_ops
复制代码- [/code][code] # total ops
复制代码- # num_out_elements = y.numel()
复制代码- output_elements = batch_size * out_w * out_h * cout
复制代码- total_ops = output_elements * ops_per_element * cin // m.groups
复制代码- [/code][code] m.total_ops = torch.Tensor([int(total_ops)])
复制代码 总体而言,模型会计算每一个卷积核发生的乘加运算数,再推广到整个卷积层级的总乘加运算数。
定制你的运算统计
有一些运算统计还没有加进去,如果我们知道该怎样算,那么就可以写个自定义函数。
- class YourModule(nn.Module):
复制代码- def count_your_model(model, x, y):
复制代码- [/code][code]input = torch.randn(1, 3, 224, 224)
复制代码- flops, params = profile(model, inputs=(input, ),
复制代码- custom_ops={YourModule: count_your_model})
复制代码 最后,作者利用这个工具统计了各种流行视觉模型的参数量与 FLOPs 量:
深度Pro
理论详解 | 工程实践 | 产业分析 | 行研报告
机器之心最新上线深度内容栏目,汇总AI深度好文,详解理论、工程、产业与应用。这里的每一篇文章,都需要深度阅读15分钟。
今日深度推荐
[url=]爱奇艺短视频分类技术解析[/url]
[url=]CVPR 2019提前看:少样本学习专题[/url]
[url=]万字综述,核心开发者全面解读PyTorch内部机制[/url]
[url=][/url]
点击图片,进入小程序深度Pro栏目
PC点击阅读原文,访问官网
更适合深度阅读
www.jiqizhixin.com/insight
每日重要论文、教程、资讯、报告也不想错过?
点击订阅每日精选
|
|