前言在进行模型应用时关注的指标有很大的区别根据关注的指标做机器的缩扩容和模型压缩量化。那么模型的指标一般包括时延、吞吐量、参数量、激活值、MAC、FLOP、FLOPS、OP、OPS**延迟Latency**处理一次任务的时间**吞吐量Throughput**可以同时处理任务的数量**参数量Parameters**由模型结构决定**激活值Activate**特征参数与特征图大小batch 大小有关**MAC**Multiply accumulate operation是一次乘法与一次加法累加**FLOP**floating point operation 的缩写浮点运算**FLOPS**floating point operation per second 的缩写每秒可以进行的浮点运算**OP**operations运算**OPS**operation per second每秒进行的运算数每个参数如何计算下面以 CNN 为例做详细说明。1、各参数细讲1Latency Throughput高吞吐量一定低延迟吗低延迟一定是高吞吐量吗答案显然是不一样只是考虑的场景不同。移动端更关心延迟数据中心更关心吞吐量。影响 Latency 的两个因素一个是计算量一个是内存。2Parameters model size对于 CNN 的单层模型输出 X 的维度是 [ci,hi,wi]卷积核大小 [ci,kh,kw]通道数是 co。所以卷积层的参数量是上述参数求和大约是 61M模型大小与参数量和每个参数的大小有关。常用 Bit Width 有 float32、float16、int8、int4。以 float32 为例。AlexNet 的 model size 是 61*4244M。3Activations参数量与模型大小有关激活值与峰值激活值才是模型推理和计算的瓶颈并且对于 CNN 这种网络前几层的激活值内存比较大因为特征图大后几层小存在不均衡问题。峰值激活值一旦超过 SRAM 的大小则需要频繁的数据搬运这非常耗时主存中数据搬运的耗时远远大于计算的耗时。收到 batch 等影响激活值一般比模型参数占内存大他们的变换趋势如下。一般前几层激活值占内存大或几层是网络参数站内存大。4MACMultiply accumulate operation是一次乘法与一次加法累加 ←∗a \leftarrow a b*c 。对于 Amxn和 Bnxk两个矩阵相乘的 MAC 是 ∗∗m*n*k。‍‍‍对于 CNN 的单层模型输出 X 的维度是 [ci,hi,wi]卷积核大小 [ci,kh,kw]通道数是 co。所以卷积层的参数量是AlexNet 大于是 7.24 亿的 MAC。5FLOP FLOPSFLOP 浮点运算一个 MAC 等于两个 FLOP所以 AlexNet 是 1.4G FLOPs。FLOPS 是没秒进行浮点运算是一个硬件指标‍6OP OPSOP 是 FLOP 的扩充不只是浮点运算所有的运算都包括包括整数运算、掩码运算等等都属于 OP。OPS 是每秒进行的 OP 数。最后为了助力朋友们跳槽面试、升职加薪、职业困境提高自己的技术本文给大家整了一套涵盖AI大模型所有技术栈的快速学习方法和笔记。目前已经收到了七八个网友的反馈说是面试问到了很多这里面的知识点。由于文章篇幅有限不能将全部的面试题答案解析展示出来有需要完整面试题资料的朋友可以扫描下方二维码免费领取哦面试题展示1、请解释一下BERT模型的原理和应用场景。答案BERTBidirectional Encoder Representations from Transformers是一种预训练的语言模型通过双向Transformer编码器来学习文本的表示。它在自然语言处理任务中取得了很好的效果如文本分类、命名实体识别等。2、什么是序列到序列模型Seq2Seq并举例说明其在自然语言处理中的应用。答案Seq2Seq模型是一种将一个序列映射到另一个序列的模型常用于机器翻译、对话生成等任务。例如将英文句子翻译成法文句子。3、请解释一下Transformer模型的原理和优势。答案Transformer是一种基于自注意力机制的模型用于处理序列数据。它的优势在于能够并行计算减少了训练时间并且在很多自然语言处理任务中表现出色。4、什么是注意力机制Attention Mechanism并举例说明其在深度学习中的应用。答案注意力机制是一种机制用于给予模型对不同部分输入的不同权重。在深度学习中注意力机制常用于提升模型在处理长序列数据时的性能如机器翻译、文本摘要等任务。5、请解释一下卷积神经网络CNN在计算机视觉中的应用并说明其优势。答案CNN是一种专门用于处理图像数据的神经网络结构通过卷积层和池化层提取图像特征。它在计算机视觉任务中广泛应用如图像分类、目标检测等并且具有参数共享和平移不变性等优势。6、请解释一下生成对抗网络GAN的原理和应用。答案GAN是一种由生成器和判别器组成的对抗性网络结构用于生成逼真的数据样本。它在图像生成、图像修复等任务中取得了很好的效果。7、请解释一下强化学习Reinforcement Learning的原理和应用。答案强化学习是一种通过与环境交互学习最优策略的机器学习方法。它在游戏领域、机器人控制等领域有广泛的应用。8、请解释一下自监督学习Self-Supervised Learning的原理和优势。答案自监督学习是一种无需人工标注标签的学习方法通过模型自动生成标签进行训练。它在数据标注困难的情况下有很大的优势。9、解释一下迁移学习Transfer Learning的原理和应用。答案迁移学习是一种将在一个任务上学到的知识迁移到另一个任务上的学习方法。它在数据稀缺或新任务数据量较小时有很好的效果。10、请解释一下模型蒸馏Model Distillation的原理和应用。答案模型蒸馏是一种通过训练一个小模型来近似一个大模型的方法。它可以减少模型的计算和存储开销并在移动端部署时有很大的优势。11、请解释一下LSTMLong Short-Term Memory模型的原理和应用场景。答案LSTM是一种特殊的循环神经网络结构用于处理序列数据。它通过门控单元来学习长期依赖关系常用于语言建模、时间序列预测等任务。12、请解释一下BERT模型的原理和应用场景。答案BERTBidirectional Encoder Representations from Transformers是一种预训练的语言模型通过双向Transformer编码器来学习文本的表示。它在自然语言处理任务中取得了很好的效果如文本分类、命名实体识别等。13、什么是注意力机制Attention Mechanism并举例说明其在深度学习中的应用。答案注意力机制是一种机制用于给予模型对不同部分输入的不同权重。在深度学习中注意力机制常用于提升模型在处理长序列数据时的性能如机器翻译、文本摘要等任务。14、请解释一下生成对抗网络GAN的原理和应用。答案GAN是一种由生成器和判别器组成的对抗性网络结构用于生成逼真的数据样本。它在图像生成、图像修复等任务中取得了很好的效果。15、请解释一下卷积神经网络CNN在计算机视觉中的应用并说明其优势。答案CNN是一种专门用于处理图像数据的神经网络结构通过卷积层和池化层提取图像特征。它在计算机视觉任务中广泛应用如图像分类、目标检测等并且具有参数共享和平移不变性等优势。16、请解释一下强化学习Reinforcement Learning的原理和应用。答案强化学习是一种通过与环境交互学习最优策略的机器学习方法。它在游戏领域、机器人控制等领域有广泛的应用。17、请解释一下自监督学习Self-Supervised Learning的原理和优势。答案自监督学习是一种无需人工标注标签的学习方法通过模型自动生成标签进行训练。它在数据标注困难的情况下有很大的优势。18、请解释一下迁移学习Transfer Learning的原理和应用。答案迁移学习是一种将在一个任务上学到的知识迁移到另一个任务上的学习方法。它在数据稀缺或新任务数据量较小时有很好的效果。19、请解释一下模型蒸馏Model Distillation的原理和应用。答案模型蒸馏是一种通过训练一个小模型来近似一个大模型的方法。它可以减少模型的计算和存储开销并在移动端部署时有很大的优势。20、请解释一下BERT中的Masked Language ModelMLM任务及其作用。答案MLM是BERT预训练任务之一通过在输入文本中随机mask掉一部分词汇让模型预测这些被mask掉的词汇。由于文章篇幅有限不能将全部的面试题答案解析展示出来有需要完整面试题资料的朋友可以扫描下方二维码免费领取哦