什么是深度学习领域的 FLOPS？为什么我们不使用 FLO 这个术语？
我们使用术语 FLOPS 来衡量冻结深度学习网络的操作数量。
根据 Wikipedia，FLOPS = 每秒浮点运算。当我们测试计算单元时，我们应该考虑时间。但是在测量深度学习网络的情况下，我如何理解这个时间概念呢？我们不应该只使用 FLO（浮点运算）这个术语吗？
为什么人们使用 FLOPS 这个词？如果有什么我不知道，那是什么？
====附件===
我提到的冷冻深度学习网络只是一种软件。这与硬件无关。在深度学习领域，人们使用术语 FLOPS 来衡量运行网络模型需要多少操作。在这种情况下，我认为我们应该使用 FLO 一词。我认为人们对 FLOPS 一词感到困惑，我想知道其他人是否有同样的想法，或者我是否错了。
请看这些案例：
https://iq.opengenus.org/floating-point-operations-per-second-flops-of-machine-learning-models/
令人困惑的是，浮点运算 FLOP 和每秒浮点运算都用于机器学习。FLOPs 通常用于描述运行给定模型的单个实例（如 VGG19）需要多少次操作。这是您发布的两个链接中 FLOP 的用法，但不幸的是，opengenus 链接错误地使用“每秒浮点运算”来指代 FLOP。
您将看到 FLOPS 用于描述给定硬件（如 GPU）的计算能力，这在考虑给定硬件的强大程度时很有用，或者相反，在该硬件上训练模型可能需要多长时间。
有时人们写 FLOPS 的意思是 FLOP。通常从上下文中可以清楚地看出它们的含义。
我不确定我的答案是否 100% 正确。但这就是我的理解。
FLOPS =每秒浮点运算次数_
FLOPs =浮点运算_ _
FLOPS 是速度单位。FLOPs 是一个数量单位。
什么是深度学习领域的 FLOPS？为什么我们不使用 FLO 这个术语？
FLOPS（每秒浮点运算次数）在大多数领域都是相同的——它是硬件可能（如果你非常幸运的话）能够进行的（理论上的）最大浮点运算次数。
我们不使用 FLO，因为 FLO 总是无穷大（假设硬件有无限的时间可以进行无限的浮点运算）。
请注意，一次“浮点运算”是一次乘法、一次除法、一次加法……通常（对于现代 CPU）FLOPS 是通过重复使用“融合乘法然后加法”指令计算得出的，因此一条指令计为 2浮点运算。当与 SIMD 结合使用时，一条指令（并行执行 8 条“乘法和加法”）可能算作 16 条浮点指令。当然，这是一个计算出来的理论值，所以你忽略了内存访问、分支、IRQ 等。这就是为什么“理论上的 FLOPs”在实践中几乎永远无法实现。
为什么人们使用 FLOPS 这个词？如果有什么我不知道，那是什么？
它主要用于描述硬件在营销方面的强大功能（例如，“我们的新 CPU 能够达到 5 GFLOPS！”）。