2D CNN 연산 복잡도 (Complexity)

Bean·2025년 4월 15일
0

인공지능

목록 보기
7/123

1. 2D CNN 연산 복잡도 공식

총 연산량 (Multiply–Accumulate operations):

O(HoutWoutCinKHKWCout)\mathcal{O}(H_{\text{out}} \cdot W_{\text{out}} \cdot C_{\text{in}} \cdot K_H \cdot K_W \cdot C_{\text{out}})

여기서:

기호의미
Hout,WoutH_{out}, W_{out}출력 feature map의 height, width
CinC_{in}입력 채널 수 (예: RGB 이미지면 3)
KH,KWK_H, K_W커널의 높이와 너비 (예: 3x3이면 3, 3)
CoutC_{out}출력 채널 수 (필터 수)

2. 예시

예를 들어:

  • 입력 이미지: 128x128, RGB(3채널)
  • 커널: 3x3
  • 출력 채널 수: 64
  • stride=1, padding=1 (출력 크기 유지됨 → H_out = H, W_out = W)

그럼 연산량은:

128×128×3×3×3128\times 128 \times 3 \times 3 \times 3
=O(1282×3×32×64)= \mathcal{O}(128^2 \times 3 \times 3^2 \times 64)
=O(1282×1728)= \mathcal{O}(128^2 \times 1728)

→ 즉, 약 2억 8천만 개의 곱셈-덧셈 연산이 일어납니다.


3. 간단한 형태로 요약

대개는 입력/출력 크기를 일정하게 유지한다고 가정하고 다음과 같이 단순화합니다:

O(H×W×Cin×K2×Cout)\mathcal{O}(H \times W \times C_{\text{in}} \times K^2 \times C_{\text{out}})

즉,

공간 크기 × 채널 수 × 커널 크기 × 출력 채널 수
로 보시면 됩니다.

profile
AI developer

0개의 댓글