ResNet50 逐层卷积权重统计表¶
前置约定
- 标准torchvision ResNet50-v1，输入224×224×3；
- 仅统计卷积权重 weight，不含 bias、BN参数、QDQ量化参数；
- 权重Shape规范：
[out_c, in_c, kh, kw]（PyTorch标准）； - 两套口径：
- 主分支卷积（论文49Conv）
- 附带4个shortcut downsample卷积（工程总53Conv）
- 参数量 = out_c × in_c × kh × kw
0. Stage0：Conv1¶
算子：Conv 7×7, in=3, out=64 Shape：[64, 3, 7, 7] 权重数量：64×3×7×7 = 9408
Stage1｜Conv2_x （3个Bottleneck，(64,64,256)）¶
Block2_0（带shortcut投影Conv）¶
主分支3个Conv
- Conv1×1：
[64, 64, 1, 1]→ 64×64 = 4096 - Conv3×3：
[64, 64, 3, 3]→ 64×64×9 = 36864 - Conv1×1：
[256, 64, 1, 1]→ 256×64 = 16384 主分支小计：4096+36864+16384 = 57344
👉 shortcut投影Conv（额外算子） Conv1×1：[256, 64, 1, 1] → 16384
Block2_0全部卷积权重：57344 + 16384 = 73728
Block2_1（无shortcut Conv）¶
- Conv1×1：
[64, 256, 1, 1]→ 16384 - Conv3×3：
[64, 64, 3, 3]→ 36864 - Conv1×1：
[256, 64, 1, 1]→ 16384 合计：69632
Block2_2（无shortcut Conv）¶
同上 → 69632
Conv2_x 汇总 主分支权重总和：57344 + 69632 + 69632 = 196608 额外shortcut卷积：16384 Stage1全部卷积权重：212992
Stage2｜Conv3_x（4个Bottleneck，(256,128,512)）¶
Block3_0（带shortcut投影Conv）¶
主分支
- Conv1×1：
[128, 256, 1, 1]→ 32768 - Conv3×3：
[128, 128, 3, 3]→ 147456 - Conv1×1：
[512, 128, 1, 1]→ 65536 主分支小计：245760
👉 shortcut投影Conv：[512, 256, 1, 1] → 131072 Block3_0总计：245760 + 131072 = 376832
Block3_1 / Block3_2 / Block3_3（3块，无shortcut）¶
单块：
- Conv1×1：
[128, 512, 1, 1]→ 65536 - Conv3×3：
[128, 128, 3, 3]→ 147456 - Conv1×1：
[512, 128, 1, 1]→ 65536 单块合计：278528 3块总和：278528 × 3 = 835584
Conv3_x汇总 主分支：245760 + 835584 = 1081344 额外shortcut卷积：131072 Stage2全部卷积权重：1212416
Stage3｜Conv4_x（6个Bottleneck，(512,256,1024)）¶
Block4_0（带shortcut投影Conv）¶
主分支
- Conv1×1：
[256, 512, 1, 1]→ 131072 - Conv3×3：
[256, 256, 3, 3]→ 589824 - Conv1×1：
[1024, 256, 1, 1]→ 262144 主分支小计：983040
👉 shortcut投影Conv：[1024, 512, 1, 1] → 524288 Block4_0总计：983040 + 524288 = 1507328
Block4_1 ~ Block4_5（5块，无shortcut）¶
单块：
- Conv1×1：
[256, 1024, 1, 1]→ 262144 - Conv3×3：
[256, 256, 3, 3]→ 589824 - Conv1×1：
[1024, 256, 1, 1]→ 262144 单块合计：1114112 5块总和：1114112 × 5 = 5570560
Conv4_x汇总 主分支：983040 + 5570560 = 6553600 额外shortcut卷积：524288 Stage3全部卷积权重：7077888
Stage4｜Conv5_x（3个Bottleneck，(1024,512,2048)）¶
Block5_0（带shortcut投影Conv）¶
主分支
- Conv1×1：
[512, 1024, 1, 1]→ 524288 - Conv3×3：
[512, 512, 3, 3]→ 2359296 - Conv1×1：
[2048, 512, 1, 1]→ 1048576 主分支小计：3932160
👉 shortcut投影Conv：[2048, 1024, 1, 1] → 2097152 Block5_0总计：3932160 + 2097152 = 6029312
Block5_1、Block5_2（2块，无shortcut）¶
单块：
- Conv1×1：
[512, 2048, 1, 1]→ 1048576 - Conv3×3：
[512, 512, 3, 3]→ 2359296 - Conv1×1：
[2048, 512, 1, 1]→ 1048576 单块合计：4456448 2块总和：4456448 × 2 = 8912896
Conv5_x汇总 主分支：3932160 + 8912896 = 12845056 额外shortcut卷积：2097152 Stage4全部卷积权重：14942208
卷积权重全局汇总¶
- Stage0 Conv1：9408
- Stage1 Conv2_x：212992
- Stage2 Conv3_x：1212416
- Stage3 Conv4_x：7077888
- Stage4 Conv5_x：14942208
✅ 全部53个卷积权重总和 = 23454912 个参数
分类头 FC（MatMul，不属于卷积）¶
FC权重shape：[2048, 1000] 参数数量：2048 × 1000 = 2048000
卷积+FC所有权重合计： 23454912 + 2048000 = 25502912
工程换算（对你硬件加载非常关键）¶
举例：
- FP32：每个权重4字节 总卷积权重大小 ≈ 23454912 × 4 ≈ 89.3 MB
- INT8量化（你的QDQ模型）：每个权重1字节 总卷积权重大小 ≈ 23.45 MB
重要提醒
- 越靠后Stage权重越大：Conv5 > Conv4 > Conv3 > Conv2 > Conv1；
- 4个shortcut卷积权重不能忽略，硬件加载必须单独分配存储空间；
- 上面只计算weight，如果你需要加上bias参数量，我可以补充；
- BN均值、方差属于推理常量，一般不和卷积权重放在同一权重buffer。
如果你想要，我可以把这份表格整理进之前那份ResNet50文档，做成附录。