学习了博主的介绍（深度学习中的FLOPs介绍及计算(注意区分FLOPS)-CSDN博客）后，对我不理解的内容做了一点补充。 链接放到下边啦
https://blog.csdn.net/qq_41834400/article/details/120283103
FLOPs：注意s小写，是floating point operations的缩写（s表复数），意指浮点运算数，理解为计算量。可以用来衡量算法/模型的复杂度。
1 全连接网络中FLOPs的计算 博主说的很详细了就不介绍了
2 解释一下CNN中FLOPs的计算中 我不理解的地方
生成输出特征图的一个通道的 一个像素点的计算过程
对于每个输入通道，我们有次乘法 和
次加法。因此，单个输入通道的计算次数为：
次乘法+
次加法
注意是卷积核和输入特征图对应元素相乘后 得到的
个数，把他们 对应相加的过程！！！！！！
总共的计算次数为：
所有输入通道的计算次数
对于所有 个输入通道，还需要将所有通道的结果相加形成输出的一个通道的特征图。因此，每个输出像素点需要额外的
次加法。因此，总的计算次数为：
也就是博主提到的下边这个过程
若考虑到偏置，可以看看卷积操作中，偏置是怎么起作用的，参考这个博主的
https://blog.csdn.net/qq_42103167/article/details/105056598?spm=1001.2014.3001.5506
（每个卷积核是和输入特征图的通道是一样的！！！）偏置是在输出特征图的每个像素点的卷积操作完成后（比如三通道，三次卷积操作后），加上的。所以一次卷积操作偏置加1。
整个输出特征图的计算次数
所有输出通道的计算次数
由于有 个输出通道，因此总的计算次数为：
卷积层FLOPs的计算公式如下(不考虑bias时有-1，有bias时没有-1):
感觉博主推荐的链接也不错 ，有空看看
(60 封私信 / 82 条消息) CNN 模型所需的计算力（flops）和参数（parameters）数量是怎么计算的？ - 知乎 (zhihu.com)
分享一个FLOPs计算神器 - 简书 (jianshu.com)
我们可以发现，具有相似的FLOPs的网络，执行的速度却不一样 。有的相差还挺大。
使用FLOP作为计算复杂度的唯一指标是不充分的。
为什么不能只用FLOPs作为指标呢？
作者认为有如下几个原因：
-
FLOPs没有考虑几个对速度有相当大影响的重要因素。 2）计算平台的不同。
-
FLOPs没有考虑几个对速度有相当大影响的重要因素
MAC和并行度