这篇文章主要讲解了“Python tensorflow与pytorch的浮点运算数怎么计算”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Python tensorflow与pytorch的浮点运算数怎么计算”吧！
1. 引言
FLOPs 是 floating point operations 的缩写，指浮点运算数，可以用来衡量模型/算法的计算复杂度。本文主要讨论如何在 tensorflow 1.x, tensorflow 2.x 以及 pytorch 中利用相关工具计算对应模型的 FLOPs。
2. 模型结构
为了说明方便，先搭建一个简单的神经网络模型，其模型结构以及主要参数如表1 所示。
表 1 模型结构及主要参数
| Layers | channels | Kernels | Strides | Units | Activation |
|---|---|---|---|---|---|
| Conv2D | 32 | (4,4) | (1,2) | \ | relu |
| GRU | \ | \ | \ | 96 | \ |
| Dense | \ | \ | \ | 256 | sigmoid |
用 tensorflow（实际使用 tensorflow 中的 keras 模块）实现该模型的代码为：
from tensorflow.keras.layers import *from tensorflow.keras.models import load_model, Modeldef test_model_tf(Input_shape): # shape: [B, C, T, F] main_input = Input(batch_shape=Input_shape, name='main_inputs') conv = Conv2D(32, kernel_size=(4, 4), strides=(1, 2), activation='relu', data_format='channels_first', name='conv')(main_input) # shape: [B, T, FC] gru = Reshape((conv.shape[2], conv.shape[1] * conv.shape[3]))(conv) gru = GRU(units=96, reset_after=True, return_sequences=True, name='gru')(gru) output = Dense(256, activation='sigmoid', name='output')(gru) model = Model(inputs=[main_input], outputs=[output]) return model用 pytorch 实现该模型的代码为：
import torchimport torch.nn as nnclass test_model_torch(nn.Module): def __init__(self): super(test_model_torch, self).__init__() self.conv2d = nn.Conv2d(in_channels=1, out_channels=32, kernel_size=(4,4), stride=(1,2)) self.relu = nn.ReLU() self.gru = nn.GRU(input_size=4064, hidden_size=96) self.fc = nn.Linear(96, 256) self.sigmoid = nn.Sigmoid() def forward(self, inputs): # shape: [B, C, T, F] out = self.conv2d(inputs) out = self.relu(out) # shape: [B, T, FC] batch, channel, frame, freq = out.size() out = torch.reshape(out, (batch, frame, freq*channel)) out, _ = self.gru(out) out = self.fc(out) out = self.sigmoid(out) return out3. 计算模型的 FLOPs
本节讨论的版本具体为：tensorflow 1.12.0, tensorflow 2.3.1 以及 pytorch 1.10.1+cu102。
3.1. tensorflow 1.12.0
在 tensorflow 1.12.0 环境中，可以使用以下代码计算模型的 FLOPs：
import tensorflow as tfimport tensorflow.keras.backend as Kdef get_flops(model): run_meta = tf.RunMetadata() opts = tf.profiler.ProfileOptionBuilder.float_operation() flops = tf.profiler.profile(graph=K.get_session().graph, run_meta=run_meta, cmd='op', options=opts) return flops.total_float_opsif __name__ == "__main__": x = K.random_normal(shape=(1, 1, 100, 256)) model = test_model_tf(x.shape) print('FLOPs of tensorflow 1.12.0:', get_flops(model))3.2. tensorflow 2.3.1
在 tensorflow 2.3.1 环境中，可以使用以下代码计算模型的 FLOPs ：
import tensorflow.compat.v1 as tfimport tensorflow.compat.v1.keras.backend as Ktf.disable_eager_execution()def get_flops(model): run_meta = tf.RunMetadata() opts = tf.profiler.ProfileOptionBuilder.float_operation() flops = tf.profiler.profile(graph=K.get_session().graph, run_meta=run_meta, cmd='op', options=opts) return flops.total_float_opsif __name__ == "__main__": x = K.random_normal(shape=(1, 1, 100, 256)) model = test_model_tf(x.shape) print('FLOPs of tensorflow 2.3.1:', get_flops(model))3.3. pytorch 1.10.1+cu102
在 pytorch 1.10.1+cu102 环境中，可以使用以下代码计算模型的 FLOPs（需要安装 thop）：
import thopx = torch.randn(1, 1, 100, 256)model = test_model_torch()flops, _ = thop.profile(model, inputs=(x,))print('FLOPs of pytorch 1.10.1:', flops * 2)需要注意的是，thop 返回的是 MACs (Multiply–Accumulate Operations)，其等于 2 2 2 倍的 FLOPs，所以上述代码有乘 2 2 2 操作。
3.4. 结果对比
三者计算出的 FLOPs 分别为：
tensorflow 1.12.0：
tensorflow 2.3.1：
pytorch 1.10.1：
可以看到 tensorflow 1.12.0 和 tensorflow 2.3.1 的结果基本在同一个量级，而与 pytorch 1.10.1 计算出来的相差甚远。但如果将上述模型结构改为只包含第一层 Conv2D，三者计算出来的 FLOPs 却又是一致的。所以推断差异主要来自于 GRU 的 FLOPs。
感谢各位的阅读，以上就是“Python tensorflow与pytorch的浮点运算数怎么计算”的内容了，经过本文的学习后，相信大家对Python tensorflow与pytorch的浮点运算数怎么计算这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是编程网，小编将为大家推送更多相关知识点的文章，欢迎关注！
