fvcore.compute_flops算不准自定义模型，主因是动态控制流、未注册算子或输入缺shape；需避免python控制流、确保输入为具体张量且device一致、用model.eval()和torch.no_grad()；jit.script模块需临时移除装饰器或内联展开；推荐用compute_flops而非get_model_flops，并注意单位是flop（4.1e9=4.1 gflops）。
fvcore.compute\_flops 为什么算不准自定义模型？
直接调用 fvcore.compute_flops 时返回 0 或远低于预期，大概率是模型里用了动态控制流（比如 if x.sum() > 0:）、未注册的自定义算子、或输入张量未带 shape 信息。fvcore 依赖 TorchScript 的 tracing，它只记录前向中实际执行的路径，不支持 symbolic shape 推导。
实操建议：
- 确保模型前向完全由标准 PyTorch 操作构成，避免 Python 控制流；若必须用，改用
torch.where或torch.nn.functional等可 trace 的替代 - 传入的
input必须是具体张量（不能是torch.randn(1, 3, 224, 224, requires_grad=False)这种没 detach 的），且 device 与模型一致（否则 tracing 失败） - 对含子模块的模型，先用
model.eval()和torch.no_grad()包裹，排除 dropout/batchnorm 统计更新干扰
怎么让 fvcore 正确识别带 torch.jit.script 的模块？
fvcore 默认不解析 @torch.jit.script 函数体，会把它当黑盒跳过，导致这部分 FLOPs 计为 0。这不是 bug，而是设计限制：jit script 函数无法被 Python AST 分析器读取。
解决方法只有两个：
- 临时移除
@torch.jit.script装饰器，等 FLOPs 测完再加回去（适用于调试阶段） - 把 jit 函数内联展开成普通 Python 实现，哪怕只在评估脚本里重写一遍（适合小函数）
- 若函数逻辑复杂且无法改写，可手动估算其核心循环次数 × 单次运算量，再加到 fvcore 总结果上
fvcore.get\_model\_flops 和 compute\_flops 有什么区别？
fvcore.get_model_flops 是高层封装，内部调用 compute_flops，但它默认启用 ignore_modules 过滤掉 torch.nn.AdaptiveAvgPool2d 等“零参数”但有计算的模块，容易低估；而 compute_flops 更底层、可控性更强。
推荐始终用 compute_flops，并显式指定参数：
from fvcore.nn import FlopCountAnalysis flops = FlopCountAnalysis(model, inputs) flops.unsupported_ops_warnings(False) # 关闭警告干扰 flops.uncalled_modules_warnings(False) print(flops.total()) # 单位是 flop（不是 GFLOPs）
注意：flops.total() 返回的是浮点运算次数，要转 GFLOPs 需除以 1e9；别误用 flops.by_module() 直接求和——它返回的是字典，sum(dict.values()) 才是总数。
为什么 ResNet50 算出来是 4.1G，但论文写 4.1B？
单位混淆是最常见的坑。FlopCountAnalysis.total() 返回的是 “flop”，即单次浮点运算（1 addition + 1 multiply = 2 flop，Conv2d 通常按 2×MACs 算）。ResNet50 输入 224×224 时理论值约 4.1×10⁹ flop → 4.1 GFLOPs，不是 GB 或 4.1B（后者是错把 10⁹ 当成 “Billion” 符号误读）。
验证方式很简单：
- 用
print(flops.total() / 1e9)看是否 ≈ 4.1 - 对比
torchprofile或thop输出，它们也返回 flop 数，单位一致 - 如果数值差 3 个数量级（比如得到 4.1e6），检查是否输错了 input shape（如把
(1,3,224,224)写成(1,3,24,24)）
真正容易被忽略的是：FLOPs 是理论峰值，不等于 GPU 实际耗时。内存带宽、kernel launch 开销、Tensor Core 利用率这些，fvcore 一概不建模。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
