Yolov5 计算访存量MAC与计算量FLOPS

说明：因为yolov5函数中已经计算了 FLOPS，因此如果想要计算访存量那么只需按照flops的位置,添加访存量的计算即可

一、先记住计算量和访存量的公式：

二、找到计算FLOPS的位置，并添加访存量

yolov5中计算flops的位置在torch_utiles.py文件，model_info函数中，故”

1. 修改 torch_utiles.py

2. 修改profile.py中的profile函数

​​​​​​​

profile 函数首先定义了一个 add_hooks，然后指令：model.apply(add_hooks) 先把这个hook挂起来，随后运行模型的时候才开始正式运行这个hook

2.1 hook 中的操作 --为每一层添加缓冲区并初始化

代码如下：

        m.register_buffer('total_kernel_macs',torch.zeros(1,dtype=torch.float64))
        m.register_buffer('total_output_macs',torch.zeros(1,dtype=torch.float64))

2.2 hook中的操作--根据不同类型选择合适的计算函数

a. 根据分析可得出m_type属于register_hook 类型中，因此register_hooks，可得如下类型说明

然后再进一步跳转到相应的类型

开始来看 count_convNd

程序中本身已经计算了flops, 那么我们只需在后边添加计算访存量的程序即可，那根据访存量的公式我们知道，总访存量=卷积核的访存量加输出的访存量，那先来分析这些模块是都需要两种访存量都计算

conv需要计算kerneld 访存量，output的访存量

BatchNormalization 需要计算 output的访存量

激活函数需要计算 output的访存量

池化层需要计算 output的访存量

开始来看 count_convNd

程序中本身已经计算了flops, 那通过分析计算flops的过程我们可以知道：

y.nelement() ：N x Cout x H x W

m.in_channels ：Cin

kernel_ops : Kw x Kh

故添加如下程序计算 kerneld 访存量，output的访存量

代码如下：

    total_kernel_macs = kernel_ops * m.in_channels * m.out_channels  # K^2 * C_in * C_out
    m.total_kernel_macs += torch.DoubleTensor([int(total_kernel_macs)])

    total_output_macs = y.nelement() # N x Cout x H x W
    m.total_output_macs += torch.DoubleTensor([int(total_output_macs)])

BatchNormalization 需要计算 output的访存量，故添加代码如下：

    total_output_macs = y.nelement()
    m.total_output_macs += torch.DoubleTensor([int(total_output_macs)])

激活函数需要计算 output的访存量

池化层需要计算 output的访存量

上采样需要计算output的访存量

** 相应层的访存量和计算量都存到了自己的buffer中，然后程序继续向下运行**

如上，调用dfs_count（）函数，把刚刚计算出来的参数和访存量叠加

2.3 计算整个模型的访存量和FLOPS

代码如下：

    def dfs_count(module: nn.Module, prefix="\t") -> (int, int):
        # total_ops, total_params = 0, 0
        total_ops, total_params, total_kernel_macs, total_output_macs = module.total_ops.item(), 0, 0, 0
        ret_dict = {}
        for n, m in module.named_children():
            # if not hasattr(m, "total_ops") and not hasattr(m, "total_params"):  # and len(list(m.children())) > 0:
            #     m_ops, m_params = dfs_count(m, prefix=prefix + "\t")
            # else:
            #     m_ops, m_params = m.total_ops, m.total_params
            next_dict = {}
            if m in handler_collection and not isinstance(m, (nn.Sequential, nn.ModuleList)):
                # m_ops, m_params = m.total_ops.item(), m.total_params.item()
                m_ops, m_params, m_kernel_macs, m_output_macs = m.total_ops.item(), m.total_params.item(), m.total_kernel_macs.item(), m.total_output_macs.item()
            else:
                # m_ops, m_params = dfs_count(m, prefix=prefix + "\t")
                m_ops, m_params, m_kernel_macs, m_output_macs, next_dict = dfs_count(m, prefix=prefix + "\t")
            ret_dict[n] = (m_ops, m_params, m_kernel_macs, m_output_macs, next_dict)
            total_ops += m_ops
            total_params += m_params
            total_kernel_macs += m_kernel_macs
            total_output_macs += m_output_macs

        #  print(prefix, module._get_name(), (total_ops.item(), total_params.item()))
        # return total_ops, total_params
        return total_ops, total_params, total_kernel_macs, total_output_macs, ret_dict

    # total_ops, total_params = dfs_count(model)
    total_ops, total_params, total_kernel_macs, total_output_macs, ret_dict = dfs_count(model)

2.4 删除缓冲区和计算函数hook

别忘了整个profile 函数返回total_ops, total_params, total_kernel_macs, total_output_macs

2.5 最后返回torch_utiles 处理一下flops和输出的访存量omacs