TensorFlow：有没有办法测量模型的 FLOPS？

Question

我能得到的最接近的例子是在这个问题中找到的： https ://github.com/tensorflow/tensorflow/issues/899

使用这个最小的可重现代码：

import tensorflow as tf
import tensorflow.python.framework.ops as ops 
g = tf.Graph()
with g.as_default():
  A = tf.Variable(tf.random_normal( [25,16] ))
  B = tf.Variable(tf.random_normal( [16,9] ))
  C = tf.matmul(A,B) # shape=[25,9]
for op in g.get_operations():
  flops = ops.get_stats_for_node_def(g, op.node_def, 'flops').value
  if flops is not None:
    print 'Flops should be ~',2*25*16*9
    print '25 x 25 x 9 would be',2*25*25*9 # ignores internal dim, repeats first
    print 'TF stats gives',flops

但是，返回的 FLOPS 始终为 None。 有没有办法具体测量 FLOPS，尤其是 PB 文件？

Answer 1

我想以 Tobias Schnek 的回答为基础，并回答最初的问题：如何从pb文件中获取 FLOP。

使用 TensorFlow 1.6.0 运行 Tobias answer 的第一段代码

g = tf.Graph()
run_meta = tf.RunMetadata()
with g.as_default():
    A = tf.Variable(tf.random_normal([25,16]))
    B = tf.Variable(tf.random_normal([16,9]))
    C = tf.matmul(A,B)

    opts = tf.profiler.ProfileOptionBuilder.float_operation()    
    flops = tf.profiler.profile(g, run_meta=run_meta, cmd='op', options=opts)
    if flops is not None:
        print('Flops should be ~',2*25*16*9)
        print('TF stats gives',flops.total_float_ops)

我们得到以下输出：

Flops should be ~ 7200
TF stats gives 8288

那么，为什么我们得到的是8288而不是预期的结果7200=2*25*16*9 ^[a]呢？ 答案在于张量A和B的初始化方式。 使用高斯分布初始化会花费一些 FLOP。 通过更改A和B的定义

    A = tf.Variable(initial_value=tf.zeros([25, 16]))
    B = tf.Variable(initial_value=tf.zeros([16, 9]))

给出预期的输出7200 。

通常，网络的变量在其他方案中使用高斯分布进行初始化。 大多数时候，我们对初始化 FLOP 不感兴趣，因为它们在初始化期间完成一次，并且不会在训练或推理期间发生。 那么，如何在不考虑初始化 FLOP 的情况下获得 FLOP 的确切数量？

用pb冻结图形。 从pb文件计算 FLOP 实际上是 OP 的用例。

以下片段说明了这一点：

import tensorflow as tf
from tensorflow.python.framework import graph_util

def load_pb(pb):
    with tf.gfile.GFile(pb, "rb") as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
    with tf.Graph().as_default() as graph:
        tf.import_graph_def(graph_def, name='')
        return graph

# ***** (1) Create Graph *****
g = tf.Graph()
sess = tf.Session(graph=g)
with g.as_default():
    A = tf.Variable(initial_value=tf.random_normal([25, 16]))
    B = tf.Variable(initial_value=tf.random_normal([16, 9]))
    C = tf.matmul(A, B, name='output')
    sess.run(tf.global_variables_initializer())
    flops = tf.profiler.profile(g, options = tf.profiler.ProfileOptionBuilder.float_operation())
    print('FLOP before freezing', flops.total_float_ops)
# *****************************        

# ***** (2) freeze graph *****
output_graph_def = graph_util.convert_variables_to_constants(sess, g.as_graph_def(), ['output'])

with tf.gfile.GFile('graph.pb', "wb") as f:
    f.write(output_graph_def.SerializeToString())
# *****************************


# ***** (3) Load frozen graph *****
g2 = load_pb('./graph.pb')
with g2.as_default():
    flops = tf.profiler.profile(g2, options = tf.profiler.ProfileOptionBuilder.float_operation())
    print('FLOP after freezing', flops.total_float_ops)

产出

FLOP before freezing 8288
FLOP after freezing 7200

---

^[a]通常矩阵乘法的 FLOP 是乘积 AB 的 mq(2p -1)，其中A[m, p]和B[p, q]但 TensorFlow 出于某种原因返回 2mpq。 已打开一个问题以了解原因。

Answer 2

有点晚了，但也许它可以帮助将来的一些游客。 对于您的示例，我成功测试了以下代码段：

g = tf.Graph()
run_meta = tf.RunMetadata()
with g.as_default():
    A = tf.Variable(tf.random_normal( [25,16] ))
    B = tf.Variable(tf.random_normal( [16,9] ))
    C = tf.matmul(A,B) # shape=[25,9]

    opts = tf.profiler.ProfileOptionBuilder.float_operation()    
    flops = tf.profiler.profile(g, run_meta=run_meta, cmd='op', options=opts)
    if flops is not None:
        print('Flops should be ~',2*25*16*9)
        print('25 x 25 x 9 would be',2*25*25*9) # ignores internal dim, repeats first
        print('TF stats gives',flops.total_float_ops)

也可以将探查器与Keras结合使用，如以下代码片段：

import tensorflow as tf
import keras.backend as K
from keras.applications.mobilenet import MobileNet

run_meta = tf.RunMetadata()
with tf.Session(graph=tf.Graph()) as sess:
    K.set_session(sess)
    net = MobileNet(alpha=.75, input_tensor=tf.placeholder('float32', shape=(1,32,32,3)))

    opts = tf.profiler.ProfileOptionBuilder.float_operation()    
    flops = tf.profiler.profile(sess.graph, run_meta=run_meta, cmd='op', options=opts)

    opts = tf.profiler.ProfileOptionBuilder.trainable_variables_parameter()    
    params = tf.profiler.profile(sess.graph, run_meta=run_meta, cmd='op', options=opts)

    print("{:,} --- {:,}".format(flops.total_float_ops, params.total_parameters))

我希望我能帮上忙！

Answer 3

上述方法不再适用于 TF2.0，因为探查器方法已被弃用并移至compat.v1下。 看起来这个功能仍然需要实现。

以下是 Github 上的一个问题： https ://github.com/tensorflow/tensorflow/issues/32809

Answer 4

另一个用户发布了一个答案。 它已被 mod 删除，因此无法恢复。 但它确实解决了问题，并且比其他答案更好。 所以我在这里重复一遍。

---

您可以使用以下 pip 包来获取一些基本信息，例如模型的内存要求，没有。 参数，触发器等

https://pypi.org/project/model-profiler

它会输出类似

型号简介	价值	单元
选定的 GPU	['0', '1']	GPU ID
失败次数	0.30932349055999997	BFLOPs
GPU 内存要求	7.4066760912537575	国标
模型参数	138.357544	百万
模型权重所需的内存	527.7921447753906	MB

---

用法

[从图书馆网站逐字复制]

from tensorflow.keras.applications import VGG16

model = VGG16(include_top=True)

from model_profiler import model_profiler

Batch_size = 128
profile = model_profiler(model, Batch_size)

print(profile)