神经网络参数量，计算量FLOPS，内存访问量MAC（Memory Access Cost）
对于卷积层而言：
1.神经网络参数量计算方式
卷积层：假设输入特征图大小为: Hin x Win x M，卷积核大小KxK，N个卷积核，输出特征图大小为Hout x Wout x N.
参数量：K x K x M x N+N（这里加N表示N个卷积核的偏置项）
一般写法：K x K x M x N（不加偏置项）
2.计算量
（1）一次卷积乘法次数：K x K x M；
（2）一次卷积加法次数：K x K x M x 1；
（3）共同进行了Hout x Wout x N 次卷积运算；
（4）乘加运算总次数：（2 x K x K x M-1）x Hout x Wout x N
（5）一般只考虑乘法： K x K x M x Hout x Wout x N
3.内存访问量
假设输入特征图大小：Hin x Win x M；输出特征图大小为：Hout x Wout x N
参数量（权重）：K x K x M x N
内存访问量：Hin x Win x M+Hout x Wout x N+K x K x M x N
对于全连接层而言：
假设输入Cin个神经元，输出Cout个神经元；
1.参数量
Cin x Cout + Cout
2.计算量
一个输出神经元的乘法次数：Cin；
一个输出神经元的加法次数：Cin-1;
所有输出神经元的乘法和加法总的运算次数：(2 xCin-1) x Cout
3.内存访问量
总的访问量：Cin+Cout+Cin x Cout
BN层的参数量：
2 x Cin（γ和β）
关于深度可分离卷积参数和计算量的计算方法：
https://mydreamambitious.blog.csdn.net/article/details/124560414
关于标准卷积，分组卷积的参数量和计算量的计算方法：
https://www.cnblogs.com/hejunlin1992/p/12978988.html[0][1]
知识点来源：【【精读AI论文】谷歌轻量化网络MobileNet V1
https://b23.tv/36kBxVP[0]
文章出处登录后可见！
