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，例如最大池化和Dropout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 resnet50from thop import profilemodel = resnet50()input = torch.randn(1, 3, 224, 224)flops, params = profile(model, inputs=(input, ))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。
flops: 2914598912.0parameters: 7978856.0OpCouter 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): x = x[0] cin = m.in_channels cout = m.out_channels kh, kw = m.kernel_size batch_size = x.size()[0] out_h = y.size(2) out_w = y.size(3) # ops per output element # kernel_mul = kh * kw * cin # kernel_add = kh * kw * cin - 1 kernel_ops = multiply_adds * kh * kw bias_ops = 1 if m.bias is not None else 0 ops_per_element = kernel_ops + bias_ops # total ops # num_out_elements = y.numel() output_elements = batch_size * out_w * out_h * cout total_ops = output_elements * ops_per_element * cin // m.groups m.total_ops = torch.Tensor([int(total_ops)])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): # your definitiondef count_your_model(model, x, y): # your rule hereinput = torch.randn(1, 3, 224, 224)flops, params = profile(model, inputs=(input, ), custom_ops={YourModule: count_your_model})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：
