什么是GFLOPS
神经网络的GFLOPS（Giga FLoating-Point Operations Per Second）代表了神经网络模型执行计算的速度和计算能力。这可以用一个类比来解释：
GFLOPS就像神经网络模型的"运算速度"标签。
想象你有两个数学家，他们都能够解决复杂的数学问题，但一个速度非常快，另一个速度较慢。GFLOPS就像用来衡量他们速度的标尺。
-
数学家A的GFLOPS是10，这意味着他每秒钟可以解决10亿个数学问题。
-
数学家B的GFLOPS是100，这意味着他每秒钟可以解决100亿个数学问题，比数学家A更快。
在神经网络中，GFLOPS告诉我们模型在执行训练或推理任务时，每秒可以进行多少次复杂的数学计算。较高的GFLOPS值通常表示模型能够更快地处理数据，因此在训练和推理任务中更高效。
总之，GFLOPS是用来衡量神经网络模型计算速度和能力的指标，就像速度标尺一样，它告诉我们模型有多快。
相同神经网络在不同的机器上的GFLOPS差异
同一个神经网络在不同的英伟达（NVIDIA）GPU上的GFLOPS值通常会有一定差异，因为不同型号的GPU具有不同的硬件架构和计算单元配置。这些因素会影响计算能力和速度，从而导致GFLOPS值的差异。
主要影响GFLOPS值差异的因素包括：
-
GPU型号：不同型号的英伟达GPU具有不同的硬件特性和计算单元配置。较新的GPU型号通常具有更多的计算单元和更高的时钟速度，因此其GFLOPS值可能更高。
-
核心数量：GPU的核心数量是一个关键因素。较高端的GPU通常具有更多的计算核心，因此可以执行更多的并行计算，从而获得更高的GFLOPS值。
-
时钟速度：GPU的时钟速度也影响计算速度。较高的时钟速度可以加速计算过程，提高GFLOPS值。
-
架构改进：不同GPU架构可能会引入不同的改进，如更高效的计算单元或存储层次结构，从而影响GFLOPS值。
因此，即使是同一家制造商的不同GPU型号，也会在GFLOPS值上有所不同。这对于选择适合特定任务的GPU或进行性能优化非常重要。如果你需要确定特定GPU的GFLOPS值，可以查找该GPU型号的技术规格或使用NVIDIA的官方工具来获取详细信息。
GFLOPS代码示例与计算结果
class ResidualBlock(nn.Module):
def __init__(self, in_planes, planes, norm_fn='group', stride=1):
super(ResidualBlock, self).__init__()
print(in_planes, planes, norm_fn, stride)
self.conv1 = nn.Conv2d(in_planes, planes, kernel_size=3, padding=1, stride=stride)
self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, padding=1)
self.relu = nn.ReLU(inplace=True)
num_groups = planes // 8
if norm_fn == 'group':
self.norm1 = nn.GroupNorm(num_groups=num_groups, num_channels=planes)
self.norm2 = nn.GroupNorm(num_groups=num_groups, num_channels=planes)
if not stride == 1:
self.norm3 = nn.GroupNorm(num_groups=num_groups, num_channels=planes)
elif norm_fn == 'batch':
self.norm1 = nn.BatchNorm2d(planes)
self.norm2 = nn.BatchNorm2d(planes)
if not stride == 1:
self.norm3 = nn.BatchNorm2d(planes)
elif norm_fn == 'instance':
self.norm1 = nn.InstanceNorm2d(planes)
self.norm2 = nn.InstanceNorm2d(planes)
if not stride == 1:
self.norm3 = nn.InstanceNorm2d(planes)
elif norm_fn == 'none':
self.norm1 = nn.Sequential()
self.norm2 = nn.Sequential()
if not stride == 1:
self.norm3 = nn.Sequential()
if stride == 1:
self.downsample = None
else:
self.downsample = nn.Sequential(
nn.Conv2d(in_planes, planes, kernel_size=1, stride=stride), self.norm3)
def forward(self, x):
print(x.shape)
#exit()
y = x
y = self.relu(self.norm1(self.conv1(y)))
y = self.relu(self.norm2(self.conv2(y)))
if self.downsample is not None:
x = self.downsample(x)
return self.relu(x + y)
R=ResidualBlock(384, 384, norm_fn='instance', stride=1)
summary(R.to("cuda" if torch.cuda.is_available() else "cpu"), (384, 32, 32))
import torch
from thop import profile
# 定义示例输入数据形状，符合模型的期望形状
batch_size = 2
num_channels = 384
height = 32
width = 32
# 生成示例输入数据，注意将其形状调整为符合模型要求的形状，并将其移到相同设备上
input_data = torch.randn(batch_size, num_channels, height, width).to("cuda" if torch.cuda.is_available() else "cpu")
# 使用thop进行FLOPS估算
flops, params = profile(R.to(input_data.device), inputs=(input_data,))
print(f"FLOPS: {flops / 1e9} G FLOPS") # 打印FLOPS，以十亿FLOPS（GFLOPS）为单位GFLOPS 的结果
