以上我的同学xzzppp（博客http://blog.csdn.net/xzzppp/article/details/53317011）总结的faster-RCNN 测试计算量总结，仅仅截取表格一部分，下载见点击打开链接
卷积层浮点运算计算量公式(参考21天实战caffe）是：
Caculation(conv n)=I*J*M*N*K*L
其中，I,J卷积核 M,N输出通道的特征图大小， K输入通道数， L输出通道数 {KL个卷集核实现通道的转换}
列如：上图绿色框里列出了第二个卷积层参数里：I=J=5；M=73；N=121；K=96(上面一格）;L=256
于是Caculation(conv2)=I*J*M*N*K*L=5*5*73*121*96*256=5426995200
各个卷积层计算类似。这样统计可以进行并行优化，减少运算。
另外，卷积层的学习参数数量计算公式：Params=I*J*K*L=5*5*96*256
那么第二级卷积层计算量-参数之比为CPR（Calculations to Paraments Ratio）:
CPR=Calculations/Params=8833
注：输出特征图越大，CPR值越大，参数利用率越高，每次输入一批数据（B个样本），CPR可再提高B倍
---------------------