深度學習中，模型訓練完后，查看模型的參數量和浮點計算量，在此記錄下：
1 THOP
在pytorch中有現成的包thop用于計算參數數量和FLOP，首先安裝thop：
注意安裝thop時可能出現如下錯誤：
解決方法：
pip install --upgrade git+https://github.com/Lyken17/pytorch-OpCounter.git # 下載源碼安裝
使用方法如下：
from torchvision.models import resnet50 # 引入ResNet50模型
from thop import profile
model = resnet50()
flops, params = profile(model, input_size=(1, 3, 224,224)) # profile（模型，輸入數據）
對于自己構建的函數也一樣，例如shuffleNetV2
from thop import profile
from utils.ShuffleNetV2 import shufflenetv2 # 導入shufflenet2 模塊
import torch
model_shuffle = shufflenetv2(width_mult=0.5)
model = torch.nn.DataParallel(model_shuffle) # 調用shufflenet2 模型，該模型為自己定義的
flop, para = profile(model, input_size=(1, 3, 224, 224),)
print("%.2fM" % (flop/1e6), "%.2fM" % (para/1e6))
更多細節，可參考thop GitHub鏈接： https://github.com/Lyken17/pytorch-OpCounter
2 計算參數
pytorch本身帶有計算參數的方法
from thop import profile
from utils.ShuffleNetV2 import shufflenetv2 # 導入shufflenet2 模塊
import torch
model_shuffle = shufflenetv2(width_mult=0.5)
model = torch.nn.DataParallel(model_shuffle)
total = sum([param.nelement() for param in model.parameters()])
print("Number of parameter: %.2fM" % (total / 1e6))
補充：pytorch: 計算網絡模型的計算量(FLOPs)和參數量(Params)
計算量：
FLOPs，FLOP時指浮點運算次數，s是指秒，即每秒浮點運算次數的意思，考量一個網絡模型的計算量的標準。
參數量：
Params，是指網絡模型中需要訓練的參數總數。
第一步：安裝模塊（thop）
第二步：計算
import torch
from thop import profile
net = Model() # 定義好的網絡模型
input = torch.randn(1, 3, 112, 112)
flops, params = profile(net, (inputs,))
print('flops: ', flops, 'params: ', params)
注意：
輸入input的第一維度是批量(batch size)，批量的大小不回影響參數量， 計算量是batch_size=1的倍數
profile(net, (inputs,))的 (inputs,)中必須加上逗號，否者會報錯
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- PyTorch里面的torch.nn.Parameter()詳解
- Pytorch之parameters的使用
- Pytorch模型中的parameter與buffer用法
