flops

paddle. flops ( self, input_size=None, dtype=None ) [源代码]

flops 函数能够打印网络的基础结构和参数信息。

参数

  • net (paddle.nn.Layer||paddle.static.Program) - 网络实例，必须是 paddle.nn.Layer 的子类或者静态图下的 paddle.static.Program。

  • input_size (list) - 输入张量的大小。注意：仅支持batch_size=1。

  • custom_ops (dict，可选) - 字典，用于实现对自定义网络层的统计。字典的key为自定义网络层的class，value为统计网络层flops的函数，函数实现方法见示例代码。此参数仅在 ‘net’ 为paddle.nn.Layer时生效。默认值：None。

  • print_detail (bool, 可选) - bool值，用于控制是否打印每个网络层的细节。默认值：False

返回

整型，网络模型的计算量。

代码示例

  1. import paddle
  2. import paddle.nn as nn
  4. class LeNet(nn.Layer):
  5.     def __init__(self, num_classes=10):
  6.         super(LeNet, self).__init__()
  7.         self.num_classes = num_classes
  8.         self.features = nn.Sequential(
  9.             nn.Conv2D(
  10.                 1, 6, 3, stride=1, padding=1),
  11.             nn.ReLU(),
  12.             nn.MaxPool2D(2, 2),
  13.             nn.Conv2D(
  14.                 6, 16, 5, stride=1, padding=0),
  15.             nn.ReLU(),
  16.             nn.MaxPool2D(2, 2))
  18.         if num_classes > 0:
  19.             self.fc = nn.Sequential(
  20.                 nn.Linear(400, 120),
  21.                 nn.Linear(120, 84),
  22.                 nn.Linear(
  23.                     84, 10))
  25.     def forward(self, inputs):
  26.         x = self.features(inputs)
  28.         if self.num_classes > 0:
  29.             x = paddle.flatten(x, 1)
  30.             x = self.fc(x)
  31.         return x
  33. lenet = LeNet()
  34. # m 是 nn.Layer 的一个实类, x 是m的输入, y 是网络层的输出.
  35. def count_leaky_relu(m, x, y):
  36.     x = x[0]
  37.     nelements = x.numel()
  38.     m.total_ops += int(nelements)
  40. FLOPs = paddle.flops(lenet, [1, 1, 28, 28], custom_ops= {nn.LeakyReLU: count_leaky_relu},
  41.                     print_detail=True)
  42. print(FLOPs)
  44. #+--------------+-----------------+-----------------+--------+--------+
  45. #|  Layer Name  |   Input Shape   |   Output Shape  | Params | Flops  |
  46. #+--------------+-----------------+-----------------+--------+--------+
  47. #|   conv2d_2   |  [1, 1, 28, 28] |  [1, 6, 28, 28] |   60   | 47040  |
  48. #|   re_lu_2    |  [1, 6, 28, 28] |  [1, 6, 28, 28] |   0    |   0    |
  49. #| max_pool2d_2 |  [1, 6, 28, 28] |  [1, 6, 14, 14] |   0    |   0    |
  50. #|   conv2d_3   |  [1, 6, 14, 14] | [1, 16, 10, 10] |  2416  | 241600 |
  51. #|   re_lu_3    | [1, 16, 10, 10] | [1, 16, 10, 10] |   0    |   0    |
  52. #| max_pool2d_3 | [1, 16, 10, 10] |  [1, 16, 5, 5]  |   0    |   0    |
  53. #|   linear_0   |     [1, 400]    |     [1, 120]    | 48120  | 48000  |
  54. #|   linear_1   |     [1, 120]    |     [1, 84]     | 10164  | 10080  |
  55. #|   linear_2   |     [1, 84]     |     [1, 10]     |  850   |  840   |
  56. #+--------------+-----------------+-----------------+--------+--------+
  57. #Total Flops: 347560     Total Params: 61610