2020CVPR文章已陆续发出，现在开始要跟进 成果(干掉张伟)。
今天主要看的这篇GhostNet，但是我们并不是主要说的是GhostNet中的Ghost Module,后期在专门整理一篇，关于ShuffleNet V1/V2以及MobileNet V1/V2等轻量级网络的资料整理，我们今天主要分析的是里面做的指标分析FLOPs。关于这个FlOPs是啥，如何计算FLops，以及Flops是不是越大就越好。带着几个问题，我们一个一个来看。
1. 首先关于FLOPs：
有个很相似的词儿，叫FLOPS，字母 全大写，指每秒浮点运算次数，可以理解为计算的速度。是衡量硬件性能的一个指标。（硬件）这个不是我们深度学习里面说的运算量，我们说的Flops是指s小写，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。（模型） 在论文中常用GFLOPs（1 GFLOPs = 10^9 FLOPs）。
Flops最早是于2017年，ICIR收录了NVIDIA发表的一篇论文，在这篇论文的附录里，NVIDIA详细的讲解了一下FLOPs的计算。PRUNING CONVOLUTIONAL NEURAL NETWORKS FOR RESOURCE EFFICIENT INFERENCE 
2. 如何计算FLops
其中就是指计算量的大小，表示FLOPs。对于卷积层而言，FLOPs的计算公式如下:
egin{equation}
mathrm{FLOPs}=2 H Wleft(C_{i n} K^{2}+1
ight) C_{o u t}
end{equation}
其中的$C_{in}$是指卷积层输入tensor的通道数，$C_{out}$指的是卷积层输出tensor的通道数。K指的是卷积核大小。
而后把常数项去掉，简化小操作：
egin{equation}
mathrm{FLOPs}=H Wleft(C_{i n} K^{2}
ight) C_{o u t}
end{equation}
而在实际中，我们不可能自己计算FLOPs，所以，本着能找库就找库的聪明才能，查了一下，还真有相关计算FLOPs的库，现查到的有两个库，一个是torchstat以及thop。经过测试，基本上两个可以对齐的，所以说，任意选择一个就好。具体用法写两个小demo吧。
对于torchstat:
from torchstat import stat import torchvision.models as models model = model.densenet121() stat(model, (3, 224, 224))
对于thop:
from torchvision.models import densenet121 from thop import profile model = densenet121() input = torch.randn(1, 3, 224, 224) macs, params = profile(model, inputs=(input, ))
3. Flops是不是越大就越好
其实在文章中，指出FLOPs是一个不直接的衡量指标，不像延迟跟速度，是很直观的指标。
具有相似FLOPs的网络，执行的速度却不一样，有的相差还是很大的，具体的图可以在一下参考中，找到大佬们简书中写的文章。
所以，不能只使用FLOPs来当做指标。还得考虑更多的MAC跟并行度等。