在撰写论文时，当进行模型比较时，常常会比较模型准确度，但模型计算力消耗、参数个数也是重要的指标，特别是模型落地时。

FLOPs

FLOPS 与 FLOPs 不同:

FLOPS: FLoating point Operations Per Second，表示每秒浮点运算次数，衡量硬件（如 GPU ）的计算性能，可理解为计算速度；
FLOPs: FLoating point Operations，表示浮点运算数，衡量模型（如深度学习模型 CNN ）的复杂程度，可理解为计算量。

计算 FLOPs

计算 FLOPs 常常指深度学习模型前向传播是的计算量，而 CNN 中计算量主要集中在卷积层，除此之外，也有池化层、批归一化层、激活层，上采样层等。下面主要介绍卷积层计算 FLOPs 的方法。

假设卷积核的大小是 $k \times k$，通道数是 $c$，输出特征图的大小是 $H \times W$，通道数是 $C$，则计算力消耗是

$k \times k \times c \times H \times W \times C$

开源库

一种方便的开源库是 ptflops

1	pip install ptflops

import torchvision.models as models
import torch
from ptflops import get_model_complexity_info

with torch.cuda.device(0):
  net = models.densenet161()
  macs, params = get_model_complexity_info(net, (3, 224, 224), as_strings=True,
                                           print_per_layer_stat=True, verbose=True)
  print('{:<30}  {:<8}'.format('Computational complexity: ', macs))
  print('{:<30}  {:<8}'.format('Number of parameters: ', params))