faster_rcnn test 浮点运算量

http://blog.csdn.net/ture_dream/article/details/53186106

（博客http://blog.csdn.net/xzzppp/article/details/53317011）总结的faster-RCNN 测试计算量总结，仅仅截取表格一部分，下载见点击打开链接

卷积层浮点运算计算量公式(参考21天实战caffe）是：

Caculation(conv n)=I*J*M*N*K*L

其中，I,J卷积核  M,N输出通道的特征图大小， K输入通道数，  L输出通道数  {KL个卷集核实现通道的转换}

列如：上图绿色框里列出了第二个卷积层参数里：I=J=5；M=73；N=121；K=96(上面一格）;L=256

于是Caculation(conv2)=I*J*M*N*K*L=5*5*73*121*96*256=5426995200

各个卷积层计算类似。这样统计可以进行并行优化，减少运算。

另外，卷积层的学习参数数量计算公式：Params=I*J*K*L=5*5*96*256

那么第二级卷积层计算量-参数之比为CPR（Calculations to Paraments Ratio）:

CPR=Calculations/Params=8833

注：输出特征图越大，CPR值越大，参数利用率越高，每次输入一批数据（B个样本），CPR可再提高B倍

http://blog.csdn.net/ture_dream/article/details/70056199

他说：conv5后的图片512维，36*60=2160个点，这是卷积后的特征图，每个点  对应的原图是 16*16 大小的图像块，为什么？600/36=16 982/60=16!!!!!

在16*16的图上采用RPN的anchor点，3*3=9锚点，每个锚点对应一个proposal窗口，2160个点对应36*60*9=19440个窗口

每个窗口对应2个得分和4个位置，9个喵对应18个rpn_cls_score和36个rpn_bbox_pred，所以RPN的rpn_cls_score和rpn_bbox_pred浮点运算分别为

：36*60*18*256=9 953 280  36*60*36*18=1 399 680 （此处应该同事算错了，公式见博客：http://blog.csdn.net/ture_dream/article/details/53186106）

他说36*60*9=19440个窗口根据得分选取前300个，channel变成5是一个score和4个位置点，宽高1  1