1. convolution layer
    对于卷积层,每个输入的特征图有一个大小为FwFh的卷积核,并产生WcoutHcout大小的输出特征图。同时输入输出特征图数量分别为Nin,Ncout
    对于每个元素需要乘法和加法两种操作,则卷积层所有的操作为
    Cconv=2NinFwFhWcoutHcoutNcout
  2. relu**层
    对于RELU**层,则对于每个单元,仅有一个操作(比较操作),则结果为
    Crelu=Ncout
  3. pooling layer
    下采样层中,每个filter的大小为PwPh,产生Npout个大小为WpoutHpout的输出图像,则pooling layer的所有操作为
    Cpool=PwPhWpoutHpoutNpout
  4. FC layer
    全链接层中,输入特征数量和权重的进行乘加操作,则结果为
    CFC=2NfcinNfcout
  5. 权重数据

    SConv=w2NcinNcout

  6. fc层

    SConv=NFCinNFCout

对于VGG16模型,统计如下表
Analysis of Computational Complexity and Space Complexity (NN algorithem)

from paper:Acceleration of Deep Learning on FPGA

分类:

技术点:

相关文章: