1樓：GorgeousShar
FLOPs是每秒浮點運算次數，但是並不能直接反應計算速度和複雜度，會和核心硬體系統等因素有關。而且框架不一樣計算方式也不一樣，並不是單純比較計算次數的問題。
ML計算複雜度大多是以樣本數量為基礎的方程式。但cnn這種除了input_size還有和網路特點的計算，相比較更為複雜，除非能指定N的大小。
回到這個問題，用一些硬體測試的指令碼可以解決。
2樓：lee
與神經網路不同，傳統機器學習演算法一般通過比較複雜度（計算複雜度、空間複雜度）來衡量模型的好壞。
可以通過演算法的公式進行推導。
可以參考周志華的《機器學習》和李航的《統計學習》。
3樓：Tracing
任何乙個演算法都可以計算計算量，簡單來說就是研究下演算法有多少加減乘除以及記憶體讀取寫回。
神經網路之所以FLOPs很常見，是因為神經網路通常是計算密集型演算法，多少計算量意味著需要多長時間執行，而傳統機器學習演算法大部分不是計算密集型，而且記憶體敏感型，執行時間受限於記憶體頻寬，所以FLOPs沒有多大意義。
還有一種可能傳統演算法是latency約束，就是後乙個操作依賴前乙個操作的結果，計算資源空等和浪費，這種情況FLOPs也沒有意義。
我沒有具體研究過svm演算法結構，至於具體什麼情況題主可以按著思路研究下，我估計大概率是memory或latency bound。
神經網路中的歸一化除了減少計算量，還有什麼作用？
Nango 明楠 梯度下降時，讓模型收斂到正確的地方，而在不同量綱下梯度更新方向被帶偏。並且歸一化到合理範圍有利於模型泛化性 不會訓飛 但是歸一化後的範圍太小就又會削弱表徵能力。夜蘭 機器學習之歸一化 Normalization 鄭小柒是西索啊 1 歸一化之後的資料，能夠減少計算複雜度，加快收斂 2...
FPGA為什麼適合做神經網路的計算加速？
知否知否 其實用FPGA進行加速是一種折中方案，CPU不合適矩陣運算，GPU挺好，只不過對比FPGA來說，各有優劣勢.專用晶元當然會更好，然後現有神經網路技術並不是很成熟，新模型會被不斷提出並得到改進與發展，即使是專用神經網路晶元，對付各種模型，也很難做到通用。吐槽一句 在某些人眼裡，什麼東西都是A...
研究類腦計算，脈衝神經網路以後該怎麼找工作？
聊了下某top2組裡研究該方向的博士也要畢業轉行去工業界，不幹snn了，說明了啥？據說是正常發cnn發不過其他組，只能另闢蹊徑搞個snn，自己組裡實際都沒說服過去，不過這東西好忽悠，十篇總有一兩篇能忽悠上去，好發文章。因為大家都不懂 Yannan 2020 9 19 本人英國直博SNN小博士一枚，今...