目录

1--nn.Conv2d()参数量的计算

2--nn.Linear()参数量计算

3--显存占用量比较

---

1--nn.Conv2d()参数量的计算

conv1 = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=1)

计算公式：

        Param = in_c * out_c * k * k + out_c;

        in_c 表示输入通道维度；

        out_c 表示输出通道维度；

        k 表示卷积核大小；

import torch
import torch.nn as nn

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=1)

    def forward(self, x):
        return self.conv1(x)
        
if __name__ == "__main__":
    model = Model().cuda(0)
    x = torch.rand(2, 3, 6, 8).cuda(0)
    y = model(x)

    Param_sum = sum([param.nelement() for param in model.parameters()])
    print("Param.sum: ", Param_sum)

        上面代码中，nn.Conv2d() 的参数量为 3 * 64 * 1 * 1 + 64 = 256；

2--nn.Linear()参数量计算

linear1 = nn.Linear(in_features=3, out_features=64)

计算公式：

        Param = in_f * out_f + out_f;

        in_f 表示输入特征维度；

        out_f 表示输出特征维度；

import torch
import torch.nn as nn

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear1 = nn.Linear(in_features=3, out_features=64)

    def forward(self, x):
        x = x.permute(0, 2, 3, 1).reshape(-1, 3)
        return self.linear1(x)
        
if __name__ == "__main__":
    model = Model().cuda(0)
    x = torch.rand(2, 3, 6, 8).cuda(0)
    y = model(x)

    Param_sum = sum([param.nelement() for param in model.parameters()])
    print("Param.sum: ", Param_sum)

        上面代码中，nn.Conv2d() 的参数量为 3 * 64 + 64 = 256；

3--显存占用量比较

        一般情况下，同维度操作的 nn.Conv2d() 会比 nn.Linear() 的显存占用量要高，即使两者的参数量一致；

        比如上面代码中，通过 nvidia-smi 发现，第一个模型会比第二个模型的显存占用量要高；