3、卷积网络基础：卷积层、通道维度、特征图尺寸、FLOPs与参数量计算
在深入结构化剪枝之前，必须建立对卷积网络底层计算逻辑的精确理解。通道剪枝的本质是对卷积层中“冗余通道”的剔除，而判断冗余的前提是理解通道如何参与计算、特征图尺寸如何变化、以及每一层计算量和参数量如何量化。本节将系统梳理卷积层的核心机制，并给出FLOPs与参数量的标准计算方法，为后续剪枝策略的制定提供量化基础。
3.1 卷积层的核心计算机制
卷积层是卷积神经网络（CNN）的基本构建单元，其计算过程可以理解为：一组可学习的滤波器（Filter）在输入特征图上滑动，通过局部加权求和提取空间特征。每一个滤波器对应一个输出通道，因此输出特征图的通道数等于滤波器的个数。
具体而言，假设输入特征图的尺寸为 H × W × C_in（高度、宽度、输入通道数），卷积核的空间尺寸为 K × K，输出通道数为 C_out，则卷积层的权重张量形状为 C_out × C_in × K × K。对于第 i 个输出通道，其计算过程为：将第 i 个滤波器（形状为 C_in × K × K）与输入特征图的每个局部区域做逐元素乘加运算，并累加所有输入通道的结果，最终得到一张二维特征图。所有 C_out 个滤波器分别执行上述操作，堆叠后形成输出特征图 H' × W' × C_out。
输出特征图的空间尺寸 H' 和 W' 由输入尺寸、卷积核大小、填充（Padding）和步长（Stride）共同决定，计算公式为：
H' = floor((H + 2×P - K) / S) + 1
W' = floor((W + 2×P - K) / S) + 1其中 P 为填充像素数，S 为滑动步长。当 S=1 且 P=(K-1)/2 时，输出尺寸与输入尺寸保持一致，这是ResNet等经典网络中常用的“SAME”填充策略。
3.2 FLOPs与参数量的精确计算
FLOPs（Floating Point Operations）衡量模型的计算量，是评估推理延迟的重要指标。对于单个卷积层，其FLOPs计算方式如下：
- 单次乘加运算（MAC）：每个输出像素需要执行
K × K × C_in次乘法和同样次数的加法，即K² × C_in次MAC。 - 输出像素总数：输出特征图包含
H' × W' × C_out个像素。 - 总MAC数：
MAC_total = C_out × H' × W' × K² × C_in。 - 总FLOPs：通常将一次MAC计为2次浮点运算（1次乘法+1次加法），因此
FLOPs = 2 × MAC_total。但在工程实践中，许多框架（如PyTorch的thop库）默认报告MAC数而非FLOPs，需注意区分。
参数量（Params）则相对简单，即权重张量中元素的总个数：
Params = C_out × C_in × K × K + C_out（偏置项）偏置项通常每个输出通道一个，数量为 C_out，在剪枝时若删除某个输出通道，其对应的偏置也应一并删除。
| 指标 | 计算公式 | 对剪枝的敏感度 | 典型量级（ResNet-50第1层） |
|---|---|---|---|
| FLOPs | 2 × C_out × H' × W' × K² × C_in | 随通道数线性下降 | 约 1.2×10⁸ |
| 参数量 | C_out × C_in × K² + C_out | 随通道数线性下降 | 约 9.4×10³ |
| 输出特征图尺寸 | H' × W' × C_out | 影响内存占用与后续层输入 | 56×56×64 |
值得注意的是，FLOPs与参数量的分布在不同层之间差异显著。以ResNet-50为例，早期卷积层（如stem层）参数量少但FLOPs高（因为特征图尺寸大），而后期卷积层参数量大但FLOPs相对较低（因为特征图尺寸小）。这一特性直接影响剪枝策略的制定——若目标是降低推理延迟，应优先剪枝FLOPs占比高的层；若目标是减小模型体积，则应优先剪枝参数量大的层。
3.3 案例拆解：ResNet-50单层剪枝的量化分析
为了将上述计算理论落地，我们以ResNet-50中一个典型的Bottleneck模块为例进行剪枝前后的量化对比。假设该模块的中间3×3卷积层输入通道为256，输出通道为256，特征图尺寸为28×28。
初始状态：
- 输入：28×28×256
- 卷积核：3×3，C_in=256，C_out=256
- FLOPs = 2 × 256 × 28 × 28 × 9 × 256 ≈ 9.24×10⁸
- 参数量 = 256 × 256 × 9 + 256 ≈ 5.90×10⁵
剪枝操作：假设通过某种重要性评估方法（如BN层γ值排序），确定该层256个输入通道中有96个是冗余的，将其裁剪。同时，上一层的输出通道数也相应从256减少到160（因为本层的输入通道来自上一层的输出）。
剪枝后状态：
- 输入：28×28×160
- 卷积核：3×3，C_in=160，C_out=256（输出通道暂不裁剪）
- FLOPs = 2 × 256 × 28 × 28 × 9 × 160 ≈ 5.78×10⁸
- 参数量 = 256 × 160 × 9 + 256 ≈ 3.69×10⁵
结果对比：
| 指标 | 剪枝前 | 剪枝后 | 下降比例 |
|---|---|---|---|
| FLOPs | 9.24×10⁸ | 5.78×10⁸ | 37.4% |
| 参数量 | 5.90×10⁵ | 3.69×10⁵ | 37.5% |
| 输出通道数 | 256 | 256（未变） | 0% |
从上述案例可以看出，仅裁剪输入通道即可获得接近线性的FLOPs和参数量下降。若进一步对输出通道也进行裁剪（例如将C_out从256降至192），则FLOPs将进一步降至约4.34×10⁸，但此时需要同步调整下一层的输入通道数，形成级联剪枝效应。这正是结构化剪枝的核心优势——通过通道维度的系统性裁剪，实现可预测的、线性的计算量缩减。
3.4 常见误区与总结复盘
在理解卷积网络基础计算时，初学者常陷入以下几个误区，这些误区在后续剪枝实践中可能引发严重问题：
- 误区一：混淆FLOPs与MAC。许多框架报告的“FLOPs”实际是MAC数（乘加次数），而真正的浮点运算次数是MAC的2倍。在对比不同剪枝方案时，必须统一口径，否则会得出错误的加速比结论。
- 误区二：忽略特征图尺寸对FLOPs的影响。FLOPs与H'×W'成正比，而H'和W'由输入尺寸、步长和填充决定。在剪枝时，如果同时调整了卷积层的步长或填充，特征图尺寸会变化，导致FLOPs计算偏离预期。因此，剪枝操作应保持空间尺寸不变，仅改变通道数。
- 误区三：只关注参数量而忽略FLOPs。参数量决定模型文件大小和内存占用，FLOPs决定推理延迟。对于边缘设备部署，FLOPs往往比参数量更重要，因为边缘设备的算力受限。剪枝时应根据部署目标选择合适的优化指标。
- 误区四：忽视1×1卷积的特殊性。1×1卷积的K=1，其FLOPs计算公式退化为
2 × C_out × H' × W' × C_in，没有空间卷积的开销。在Bottleneck结构中，1×1卷积承担通道变换功能，其参数量占比高但FLOPs占比相对低，剪枝时需权衡。
总结复盘：本节建立了卷积网络计算量的量化框架。核心要点可归纳为：
- 卷积层的输出通道数等于滤波器个数，输入通道数决定每个滤波器的深度，二者共同决定权重张量的形状。
- FLOPs的计算公式为
2 × C_out × H' × W' × K² × C_in，参数量为C_out × C_in × K² + C_out，两者均与通道数呈线性关系，这是通道剪枝能够实现线性加速的理论基础。 - 特征图尺寸由输入尺寸、K、P、S共同决定，剪枝过程中应保持空间尺寸不变，仅调整通道维度。
- 在实际剪枝项目中，应首先统计各层的FLOPs和参数量分布，确定剪枝优先级，然后逐层进行敏感度测试，最后执行渐进式剪枝与微调。
掌握这些基础计算后，下一阶段将进入通道重要性评估方法的学习——即如何判断哪些通道是“冗余”的，这将是结构化剪枝的核心决策环节。