模型 flops 估算
模型 FLOPs 估算器，输入全连接层与卷积层维度估算前向传播计算量(FLOPs)，用于模型算力与推理成本评估。
🔮 Model FLOPs Estimator
Estimate forward-pass FLOPs from fully-connected and convolutional layer dimensions, to compare model architectures before training.
📐 计算公式 / 原理
卷积 FLOPs ≈ 2·H·W·C_in·C_out·K²；全连接 FLOPs ≈ 2·in·out；MACs ≈ FLOPs / 2
按输出特征图每个元素所需的乘加次数累计：卷积为 K²·C_in 次乘加、输出 HWC_out 个元素，乘 2 得 FLOPs。1 MAC = 1 次乘加 = 2 FLOPs，硬件标称算力多用 MACs，对比时要注意单位换算。
📐 计算公式与说明
卷积 FLOPs ≈ 2 × H × W × C_in × C_out × K²
全连接 FLOPs ≈ 2 × in × out
全连接 FLOPs ≈ 2 × in × out
FLOPs 衡量模型计算量。
📚 深度解析：模型 flops 估算
💡 常见使用场景
- 全连接层 FLOPs≈2·in·out·batch·seq(乘加各算一次)。
- 卷积层 FLOPs≈2·k²·C_in·C_out·H_out·W_out。
- FLOPs 衡量算力需求(时间)，结合参数量评估推理成本与硬件选型。
卷积层算力
3×3 卷积, C_in=64,C_out=128, 特征图 56×56：FLOPs≈2×9×64×128×56×56≈4.66×10⁹ 次/样本。可见大特征图与多通道下卷积算力增长极快。
❓ 常见问题（FAQ）
- FLOPs 越大模型越慢？
- 通常如此，但还受显存带宽与并行度影响；某些高 FLOPs 算子若访存密集会被带宽卡住，实际延迟需结合硬件实测。
- 训练 FLOPs 怎么算？
- 约为前向的 2~3 倍(反向含梯度计算)，再乘训练 token 数；大模型的训练算力常用 Kaplan 缩放律直接由参数量与数据量估算。
如何使用模型 flops 估算
- 按页面提示逐项填写或选择所需参数。
- 点击「计算」或「生成」按钮运行。
- 在结果区查看输出，可复制结果或导出使用。
参数说明
- 输入高
- 输入宽
- 输入通道
- 输出通道
- 卷积核
- 全连接输入
- 全连接输出
适用场景
全连接层 FLOPs≈2·in·out·batch·seq(乘加各算一次)。
常见问题
- FLOPs 越大模型越慢？
- 通常如此，但还受显存带宽与并行度影响；某些高 FLOPs 算子若访存密集会被带宽卡住，实际延迟需结合硬件实测。
- 训练 FLOPs 怎么算？
- 约为前向的 2~3 倍(反向含梯度计算)，再乘训练 token 数；大模型的训练算力常用 Kaplan 缩放律直接由参数量与数据量估算。