浅析计算GMAC和GFLOPS

学习知识要善于思考，思考，再思考！今天golang学习网小编就给大家带来《浅析计算GMAC和GFLOPS》，以下内容主要包含等知识点，如果你正在学习或准备学习科技周边，就都不要错过本文啦~让我们一起来看看吧，能帮助到你就更好了！

GMAC 代表“Giga Multiply-Add Operations per Second”（每秒千兆乘法累加运算），是用于衡量深度学习模型计算效率的指标。它以每秒十亿 (giga) 的方式表示，在模型中执行的乘法累加运算数量。

乘法累加 (MAC) 运算是许多数学计算中的基本运算，包括矩阵乘法、卷积和深度学习中常用的其他张量运算。每个 MAC 操作都涉及将两个数字相乘并将结果添加到累加器。

可以使用以下公式计算 GMAC 指标：

<code>GMAC =（乘法累加运算次数）/（10⁹）</code>

乘加运算的数量通常通过分析网络架构和模型参数的维度来确定，例如权重和偏差。

通过 GMAC 指标，研究人员和从业者可以就模型选择、硬件要求和优化策略做出明智的决策，以实现高效且有效的深度学习计算。

GFLOPS是衡量计算机系统或特定运算计算性能的指标，表示每秒可以执行一万亿次浮点运算。这个数值代表每秒钟所执行的浮点运算次数，也是以每秒十亿（giga）为单位。

浮点运算指涉及使用IEEE 754浮点格式来表示实数的算术计算。这些运算通常包括加法、减法、乘法、除法和其他数学运算。

GFLOPS 通常用于高性能计算 (HPC) 和基准测试，特别是在需要繁重计算任务的领域，例如科学模拟、数据分析和深度学习。

计算 GFLOPS公式如下：

<code>GFLOPS =（浮点运算次数）/（以秒为单位的运行时间）/ (10⁹)</code>

GFLOPS是一种有用的性能指标，可用于比较不同计算机系统、处理器或特定操作的计算能力。它有助于评估执行浮点计算的硬件或算法的速度和效率。GFLOPS 是衡量理论峰值性能的指标，可能无法反映实际场景中实现的实际性能，因为它没有考虑内存访问、并行化和其他系统限制等因素。

GMAC 和 GFLOPS 之间的关系

<code>1 GFLOP = 2 GMAC</code>

如果我们想计算这两个指标，手动写代码的话会比较麻烦，但是Python已经有现成的库让我们使用：

ptflops 库就可以计算 GMAC 和 GFLOPs

<code>pip install ptflops</code>

使用也非常简单：

<code>import torchvision.models as models import torch from ptflops import get_model_complexity_info import re  #Model thats already available net = models.densenet161() macs, params = get_model_complexity_info(net, (3, 224, 224), as_strings=True, print_per_layer_stat=True, verbose=True) # Extract the numerical value flops = eval(re.findall(r'([\d.]+)', macs)[0])*2 # Extract the unit flops_unit = re.findall(r'([A-Za-z]+)', macs)[0][0]  print('Computational complexity: {:<8}'.format(macs)) print('Computational complexity: {} {}Flops'.format(flops, flops_unit)) print('Number of parameters: {:<8}'.format(params))</code>

结果如下：

<code>Computational complexity: 7.82 GMac Computational complexity: 15.64 GFlops Number of parameters: 28.68 M</code>

我们可以自定义一个模型来看看结果是否正确：

<code>import os import torch from torch import nn  class NeuralNetwork(nn.Module): def __init__(self): super().__init__() self.flatten = nn.Flatten() self.linear_relu_stack = nn.Sequential( nn.Linear(28*28, 512), nn.ReLU(), nn.Linear(512, 512), nn.ReLU(), nn.Linear(512, 10),)  def forward(self, x): x = self.flatten(x) logits = self.linear_relu_stack(x) return logits  custom_net = NeuralNetwork()  macs, params = get_model_complexity_info(custom_net, (28, 28), as_strings=True, print_per_layer_stat=True, verbose=True) # Extract the numerical value flops = eval(re.findall(r'([\d.]+)', macs)[0])*2  # Extract the unit flops_unit = re.findall(r'([A-Za-z]+)', macs)[0][0] print('Computational complexity: {:<8}'.format(macs)) print('Computational complexity: {} {}Flops'.format(flops, flops_unit)) print('Number of parameters: {:<8}'.format(params))</code>

结果如下：

<code>Computational complexity: 670.73 KMac Computational complexity: 1341.46 KFlops Number of parameters: 669.71 k</code>

为了演示方便，我们只编写全连接层的代码来手动计算GMAC。遍历模型权重参数、按照权重参数的形状计算乘法和加法操作数量是计算GMAC的关键。GMAC的计算公式为 (输入维度 x 输出维度) x 2，其中输入维度和输出维度均为全连接层的权重。总GMAC值是通过将每个线性层的权重参数形状相乘，并将结果进行累加，在模型结构的基础上计算得出的。

<code>import torch import torch.nn as nn  def compute_gmac(model): gmac_count = 0 for param in model.parameters(): shape = param.shape if len(shape) == 2:# 全连接层的权重 gmac_count += shape[0] * shape[1] * 2 gmac_count = gmac_count / 1e9# 转换为十亿为单位 return gmac_count</code>

根据上面给定的模型，计算GMAC的结果如下：

<code>0.66972288</code>

由于GMAC的结果以十亿为单位，因此与我们上面使用的类库计算的结果相差不大。最后再说一下，计算卷积的GMAC稍微有些复杂，公式为 ((输入通道 x 卷积核高度 x 卷积核宽度) x 输出通道) x 2，这里给一个简单的代码，不一定完全正确，供参考

<code>def compute_gmac(model): gmac_count = 0 for param in model.parameters(): shape = param.shape if len(shape) == 2:# 全连接层的权重 gmac_count += shape[0] * shape[1] * 2 elif len(shape) == 4:# 卷积层的权重 gmac_count += shape[0] * shape[1] * shape[2] * shape[3] * 2 gmac_count = gmac_count / 1e9# 转换为十亿为单位 return gmac_count</code>

今天关于《浅析计算GMAC和GFLOPS》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于深度学习的内容请关注golang学习网公众号！