deeplearning模型分析

deeplearning模型分析

FLOPs

paddleslim.analysis.flops(program, detail=False)

获得指定网络的浮点运算次数(FLOPs)。

参数：

• program(paddle.fluid.Program) - 待分析的目标网络。更多关于Program的介绍请参考：Program概念介绍。
• detail(bool) - 是否返回每个卷积层的FLOPs。默认为False。
• only_conv(bool) - 如果设置为True，则仅计算卷积层和全连接层的FLOPs，即浮点数的乘加（multiplication-adds）操作次数。如果设置为False，则也会计算卷积和全连接层之外的操作的FLOPs。

返回值：

• flops(float) - 整个网络的FLOPs。
• params2flops(dict) - 每层卷积对应的FLOPs，其中key为卷积层参数名称，value为FLOPs值。

示例：

import paddle.fluid as fluid

from paddle.fluid.param_attr import ParamAttr

from paddleslim.analysis import flops

def conv_bn_layer(input,

                  num_filters,

                  filter_size,

                  name,

                  stride=1,

                  groups=1,

                  act=None):

    conv = fluid.layers.conv2d(

        input=input,

        num_filters=num_filters,

        filter_size=filter_size,

        stride=stride,

        padding=(filter_size - 1) // 2,

        groups=groups,

        act=None,

        param_attr=ParamAttr(name=name + "_weights"),

        bias_attr=False,

        name=name + "_out")

    bn_name = name + "_bn"

    return fluid.layers.batch_norm(

        input=conv,

        act=act,

        name=bn_name + '_output',

        param_attr=ParamAttr(name=bn_name + '_scale'),

        bias_attr=ParamAttr(bn_name + '_offset'),

        moving_mean_name=bn_name + '_mean',

        moving_variance_name=bn_name + '_variance', )

main_program = fluid.Program()

startup_program = fluid.Program()

#   X       X              O       X              O

# conv1-->conv2-->sum1-->conv3-->conv4-->sum2-->conv5-->conv6

#     |            ^ |                    ^

#     |____________| |____________________|

#

# X: prune output channels

# O: prune input channels

with fluid.program_guard(main_program, startup_program):

    input = fluid.data(name="image", shape=[None, 3, 16, 16])

    conv1 = conv_bn_layer(input, 8, 3, "conv1")

    conv2 = conv_bn_layer(conv1, 8, 3, "conv2")

    sum1 = conv1 + conv2

    conv3 = conv_bn_layer(sum1, 8, 3, "conv3")

    conv4 = conv_bn_layer(conv3, 8, 3, "conv4")

    sum2 = conv4 + sum1

    conv5 = conv_bn_layer(sum2, 8, 3, "conv5")

    conv6 = conv_bn_layer(conv5, 8, 3, "conv6")

print("FLOPs: {}".format(flops(main_program)))

model_size

paddleslim.analysis.model_size(program)

获得指定网络的参数数量。

参数：

• program(paddle.fluid.Program) - 待分析的目标网络。更多关于Program的介绍请参考：Program概念介绍。

返回值：

• model_size(int) - 整个网络的参数数量。

示例：

import paddle.fluid as fluid

from paddle.fluid.param_attr import ParamAttr

from paddleslim.analysis import model_size

def conv_layer(input,

                  num_filters,

                  filter_size,

                  name,

                  stride=1,

                  groups=1,

                  act=None):

    conv = fluid.layers.conv2d(

        input=input,

        num_filters=num_filters,

        filter_size=filter_size,

        stride=stride,

        padding=(filter_size - 1) // 2,

        groups=groups,

        act=None,

        param_attr=ParamAttr(name=name + "_weights"),

        bias_attr=False,

        name=name + "_out")

    return conv

main_program = fluid.Program()

startup_program = fluid.Program()

#   X       X              O       X              O

# conv1-->conv2-->sum1-->conv3-->conv4-->sum2-->conv5-->conv6

#     |            ^ |                    ^

#     |____________| |____________________|

#

# X: prune output channels

# O: prune input channels

with fluid.program_guard(main_program, startup_program):

    input = fluid.data(name="image", shape=[None, 3, 16, 16])

    conv1 = conv_layer(input, 8, 3, "conv1")

    conv2 = conv_layer(conv1, 8, 3, "conv2")

    sum1 = conv1 + conv2

    conv3 = conv_layer(sum1, 8, 3, "conv3")

    conv4 = conv_layer(conv3, 8, 3, "conv4")

    sum2 = conv4 + sum1

    conv5 = conv_layer(sum2, 8, 3, "conv5")

    conv6 = conv_layer(conv5, 8, 3, "conv6")

print("FLOPs: {}".format(model_size(main_program)))

TableLatencyEvaluator

classpaddleslim.analysis.TableLatencyEvaluator(table_file, delimiter=", ")

基于硬件延时表的模型延时评估器。

参数：

• table_file(str) - 所使用的延时评估表的绝对路径。关于演示评估表格式请参考：PaddleSlim硬件延时评估表格式
• delimiter(str) - 在硬件延时评估表中，操作信息之前所使用的分割符，默认为英文字符逗号。

返回值：

• Evaluator - 硬件延时评估器的实例。

latency(graph)

获得指定网络的预估延时。

参数：

• graph(Program) - 待预估的目标网络。

返回值：

• latency - 目标网络的预估延时。