加入极市专业CV交流群，与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度 等名校名企视觉开发者互动交流！
同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。关注 极市平台 公众号 ，回复 加群，立刻申请入群~
作者：Hello王叔叔
知乎链接：https://zhuanlan.zhihu.com/p/57437131
本文已由作者授权转载，未经允许，不得二次转载。
之前写回答【UNet为什么在医疗影像领域表现好】时提到了UNet的参数量，引发了一些疑问和讨论。
比如评论中提问者说UNet 是31M，还有一些算出28M的，而【UNet++论文】中提到的UNet是7.76M？所以就想写一篇文章来讲一下如何计算网络的参数量。为了搞清楚参数量的计算，首先我们先搞清楚参数量的定义。
参数量就是指，模型所有带参数的层的权重参数总量。视觉类网络组件中带参数的层，主要有：卷积层、BN层、全连接层等。（注意：激活函数层(relu等)和Maxpooling层、Upsample层是没有参数的，不需要学习，他们只是提供了一种非线性的变换）
1. 理论公式部分
卷积层
其中 为卷积核大小， 为输入channel数， 为输出的channel数(也是filter的数量)，算式第二项是偏置项的参数量 。(虽然一般不写偏置项，因为不会影响总参数量的数量级，但是我们为了准确起见，把偏置项的参数量也考虑进来）
BN层
，其中 为输入的channel数。
BN层有两个需要学习的参数，平移因子和缩放因子。
全连接层
， 为输入向量的长度， 为输出向量的长度，其中第二项为偏置项参数量。
不过目前全连接层已经逐渐被Global Average Pooling层取代了。
有了公式，是时候干一番大事业了哈哈。我们将以UNet为例，来实践一下参数量的计算。
2. 实践部分
我们首先摆出经典的UNet结构图。
我们把UNet共分为5个Stage，分别计算每个stage的参数量。每个stage的filter数量为
[32,64,128,256,512]，相比于UNet原文，我们把UNet的channel数缩小了两倍，大多数论文也的确是这么做的。同时，我们设置UNet上采样方式为TransposeConv（转置卷积），并在每个 Conv后加入BN层。最后假定，原始输入channel为1，输出分割图为两类(含背景)，这样最终得到我们要计算参数量的UNet。
这样定义的UNet主要有四个组件， Conv， Conv，TransposeConv和BN层。
我们先计算Conv，再计算BN层。
Stage1：
Stage2：
Stage3:
Stage4:
Stage5:
TransposeConv：
目前为止，我们把以上所有Conv得到的参数量求和 ，得到了没有加BN的UNet参数量。
接下来，我们计算BN层的参数量，易得：
和刚求得的参数量求和，
加入了BN的UNet参数量为7765442。
我们得到的两种UNet的参数量，如何验证其正确性呢？或者说我们不可能每次都手动计算这些网络的参数量，这就需要脚本去帮我们去计算网络的参数量。代码如下：
def count_param(model):
param_count = 0
for param in model.parameters():
param_count += param.view(-1).size()[0]
return param_count
我们通过项目【UNet-family】中提供的脚本，可以直接使用命令python UNet.py来计算网络的参数量。通过设置参数is_batchnorm我们得到两次计算结果如下：
有BN：
没有BN：
赶快看一眼我们之前算的参数量，一模一样，说明我们算的没毛病。
有没有一种再也不怕面试官问自己参数量计算的感觉。
3. 拓展延伸
我把几种UNet变形的参数量列举如下，大家也可以自己验证。
（其中Feature Scale是指channel的scale相对于原始UNet降了几倍，如果Feature scale为2，则filter的数量为[32,64,128,256,512])
4. 留个作业可好
最后，留个小实践，大家可以去计算下UNet++的参数量，看和论文中是不是一致？
附上我自己计算的结果。
参考链接：
1. 卷积神经网络的复杂度分析，https://zhuanlan.zhihu.com/p/31575074
2. Batch Normalization原理与实战，https://zhuanlan.zhihu.com/p/34879333
极市平台视觉算法季度赛，提供真实应用场景数据和免费算力，特殊时期，一起在家打比赛吧！
添加极市小助手微信（ID : cv-mart），备注：研究方向-姓名-学校/公司-城市（如：目标检测-小极-北大-深圳），即可申请加入目标检测、目标跟踪、人脸、工业检测、医学影像、三维&SLAM、图像分割等极市技术交流群，更有每月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、行业技术交流，一起来让思想之光照的更远吧~
△长按添加极市小助手
△长按关注极市平台，获取最新CV干货
觉得有用麻烦给个在看啦~