计算请参考这篇文章：

(284条消息) 卷积神经网络的时间、空间复杂度以及数据流的变化_卷积的时间复杂度_Briwisdom的博客-CSDN博客

1. 时间复杂度
时间复杂度即模型的运行次数。

单个卷积层的时间复杂度：Time~O(M^2 * K^2 * Cin * Cout)

//有的好奇小宝宝可能问到为什么计算复杂度是O（M^K^2），请往下读，读到最后你会知道。

M:输出特征图（Feature Map）的尺寸。
K:卷积核（Kernel）的尺寸。
Cin:输入通道数。
Cout:输出通道数。
注1：为了简化表达式变量个数，统一假设输入和卷积核的形状是正方形，实际中如果不是，则将M ^2替换成特征图的长宽相乘即可；

注2：每一层卷积都包含一个偏置参数（bias），这里也给忽略了。加上的话时间复杂度则为：O(M^2 * K^2 * Cin * Cout+Cout)。

在咱们这个1维度情况里面，M与K都是一维度，可以理解为长为M,宽为1的情况，K也同理，Cin=Cout=1。那么1D-CNN的时间复杂度为Time~O(M*K*1*1)

举个例子，长度为L的序列，经过1D-卷积[kernel=stride=i,padding=i/2],（i∈｛L/2，L/4,...｝）,

为了方便理解，我们假设i=L/2，那么经过计算得到M=2（该计算过程请参考下方输出长度计算）,

又∵K=i=L/2 ∴ 该情况下的1D-CNN时间复杂度为Time~O(2*(L/2))=O（L）

//回到上一个话题，关于为什么计算复杂度是O（M^K^2），那你目前肯定知道1D-CNN的Time~O(M*K*1*1)怎么来的了，你又好奇为什么M是输出长度，K是卷积核了吧，其实你可以这么理解，你知道时间复杂度就是加法或者乘法的总数，输出长度为M，就说明有M次计算，而每次计算都会分别有K次加法和K次乘法，只不过2是常数可以忽略不计，在计算时间复杂度的时候，这样理解了吧！还不理解欢迎评论留言。

2.输出长度

输出长度看Pytorch官方文档就懂了: 一维全局平均池化的输出长度是1维卷积dilation=1(default)的情况

1维卷积

 1维平均池化

参考资料

Conv1d — PyTorch 2.0 documentation

AvgPool1d — PyTorch 2.0 documentation(284条消息) 神经网络时间复杂度和空间复杂度（参数量计算和计算量计算）_放牛娃不吃草的博客-CSDN博客