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。它表示每秒在模型中执行的乘法累加运算的数量，以每秒十亿 (giga) 表示。
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：
GMAC =（乘法累加运算次数）/（10⁹）
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 代表“每秒千兆浮点运算”，是用于衡量计算机系统或特定运算的计算性能的指标。它表示每秒执行的浮点运算次数，也是以每秒十亿 (giga) 表示。
浮点运算包括涉及以 IEEE 754 浮点格式表示的实数的算术计算。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：
GFLOPS =（浮点运算次数）/（以秒为单位的运行时间）/ (10⁹)
GFLOPS 是比较不同计算机系统、处理器或特定操作的计算性能的有用指标。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
1 GFLOP = 2 GMAC
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
pip install ptflops
使用也非常简单：
importtorchvision.modelsasmodels
importtorch
fromptflopsimportget_model_complexity_info
importre
#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))
结果如下：
Computational complexity: 7.82 GMac
Computational complexity: 15.64 GFlops
Number of parameters: 28.68 M
我们可以自定义一个模型来看看结果是否正确：
importos
importtorch
fromtorchimportnn
classNeuralNetwork(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),
)
defforward(self, x):
x=self.flatten(x)
logits=self.linear_relu_stack(x)
returnlogits
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))
结果如下：
Computational complexity: 670.73 KMac
Computational complexity: 1341.46 KFlops
Number of parameters: 669.71 k
我们来尝试手动计算下GMAC,为了演示方便我们只写全连接层的代码，因为比较简单。计算GMAC的关键是遍历模型的权重参数，并根据权重参数的形状计算乘法和加法操作的数量。对于全连接层的权重，GMAC的计算公式为
(输入维度 x 输出维度) x 2
。根据模型的结构，将每个线性层的权重参数形状相乘并累加得到总的GMAC值。
importtorch
importtorch.nnasnn
defcompute_gmac(model):
gmac_count=0
forparaminmodel.parameters():
shape=param.shape
iflen(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
returngmac_count
根据上面给定的模型，计算GMAC的结果如下：
0.66972288
GMAC的结果是以十亿为单位，所以跟我们上面用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
defcompute_gmac(model):
gmac_count=0
forparaminmodel.parameters():
shape=param.shape
iflen(shape) ==2: # 全连接层的权重
gmac_count+=shape[0] *shape[1] *2
eliflen(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
returngmac_count