2020-12-09 深度学习 经典CNN模型计算量与内存需求分析

经典CNN模型计算量与内存需求分析

表1 CNN经典模型的内存，计算量和参数数量对比

	AlexNet	VGG16	Inception-v3
模型内存(MB)	＞200	＞500	90-100
参数（百万）	60	138	23.2
计算量（百万）	720	15300	5000

1. CNN模型具体分析（以AlexNet网络模型为例）

1.1 网络结构

 

图1 AlexNet网络结构

AlexNet有5个卷积层和3个全连接层

C1：96×11×11×3 (卷积核个数/宽/高/深度)               34848个

C2：256×5×5×48（卷积核个数/宽/高/深度）           307200个

C3：384×3×3×256（卷积核个数/宽/高/深度）         884736个

C4：384×3×3×192（卷积核个数/宽/高/深度）         663552个

C5：256×3×3×192（卷积核个数/宽/高/深度）         442368个

R1：4096×6×6×256（卷积核个数/宽/高/深度）       37748736个

R2：4096×4096                                                        16777216个

R3：4096×1000                                                        4096000个

共6000万个参数

1.2 AlexNet模型内存大小计算

6000万(个参数)×32位(float32)=19.2亿位≈228.88MB

1.3 AlexNet模型计算力消耗

图2 AlexNet模型每层每秒浮点运算次数及参数数量

1.4 AlexNet网络模型配置

AlexNet网络模型获得了2012年ImageNet比赛的冠军。AlexNet使用两块GTX580显卡进行训练，两块GPU各训练网络的一部分，在第二个卷积层和全连接层两块GPU之间才进行互相通信。