如何在Pytorch中操作統(tǒng)計(jì)模型參數(shù)量

本篇文章為大家展示了如何在Pytorch中操作統(tǒng)計(jì)模型參數(shù)量，內(nèi)容簡(jiǎn)明扼要并且容易理解，絕對(duì)能使你眼前一亮，通過這篇文章的詳細(xì)介紹希望你能有所收獲。

param.numel()

返回param中元素的數(shù)量

統(tǒng)計(jì)模型參數(shù)量

num_params = sum(param.numel() for param in net.parameters())
print(num_params)

補(bǔ)充：Pytorch 查看模型參數(shù)

Pytorch 查看模型參數(shù)

查看利用Pytorch搭建模型的參數(shù),直接看程序

import torch
# 引入torch.nn并指定別名
import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        # nn.Module子類的函數(shù)必須在構(gòu)造函數(shù)中執(zhí)行父類的構(gòu)造函數(shù)
        super(Net, self).__init__()
        
        # 卷積層 '1'表示輸入圖片為單通道, '6'表示輸出通道數(shù)，'3'表示卷積核為3*3
        self.conv1 = nn.Conv2d(1, 6, 3) 
        #線性層，輸入1350個(gè)特征，輸出10個(gè)特征
        self.fc1   = nn.Linear(1350, 10)  #這里的1350是如何計(jì)算的呢？這就要看后面的forward函數(shù)
    #正向傳播 
    def forward(self, x): 
        print(x.size()) # 結(jié)果：[1, 1, 32, 32]
        # 卷積 -> 激活 -> 池化 
        x = self.conv1(x) #根據(jù)卷積的尺寸計(jì)算公式，計(jì)算結(jié)果是30，具體計(jì)算公式后面第二張第四節(jié) 卷積神經(jīng)網(wǎng)絡(luò) 有詳細(xì)介紹。
        x = F.relu(x)
        print(x.size()) # 結(jié)果：[1, 6, 30, 30]
        x = F.max_pool2d(x, (2, 2)) #我們使用池化層，計(jì)算結(jié)果是15
        x = F.relu(x)
        print(x.size()) # 結(jié)果：[1, 6, 15, 15]
        # reshape，‘-1'表示自適應(yīng)
        #這里做的就是壓扁的操作 就是把后面的[1, 6, 15, 15]壓扁，變?yōu)?nbsp;[1, 1350]
        x = x.view(x.size()[0], -1) 
        print(x.size()) # 這里就是fc1層的的輸入1350 
        x = self.fc1(x)        
        return x

net = Net()

for parameters in net.parameters():
    print(parameters)

輸出為:

Parameter containing:
tensor([[[[-0.0104, -0.0555, 0.1417],
[-0.3281, -0.0367, 0.0208],
[-0.0894, -0.0511, -0.1253]]],

[[[-0.1724, 0.2141, -0.0895],
[ 0.0116, 0.1661, -0.1853],
[-0.1190, 0.1292, -0.2451]]],

[[[ 0.1827, 0.0117, 0.2880],
[ 0.2412, -0.1699, 0.0620],
[ 0.2853, -0.2794, -0.3050]]],

[[[ 0.1930, 0.2687, -0.0728],
[-0.2812, 0.0301, -0.1130],
[-0.2251, -0.3170, 0.0148]]],

[[[-0.2770, 0.2928, -0.0875],
[ 0.0489, -0.2463, -0.1605],
[ 0.1659, -0.1523, 0.1819]]],

[[[ 0.1068, 0.2441, 0.3160],
[ 0.2945, 0.0897, 0.2978],
[ 0.0419, -0.0739, -0.2609]]]])
Parameter containing:
tensor([ 0.0782, 0.2679, -0.2516, -0.2716, -0.0084, 0.1401])
Parameter containing:
tensor([[ 1.8612e-02, 6.5482e-03, 1.6488e-02, ..., -1.3283e-02,
1.8715e-02, 5.4037e-03],
[ 1.8569e-03, 1.8022e-02, -2.3465e-02, ..., 1.6527e-03,
2.0443e-02, -2.2009e-02],
[ 9.9104e-03, 6.6134e-03, -2.7171e-02, ..., -5.7119e-03,
2.4532e-02, 2.2284e-02],
...,
[ 6.9182e-03, 1.7279e-02, -1.7783e-03, ..., 1.9354e-02,
2.1105e-03, 8.6245e-03],
[ 1.6877e-02, -1.2414e-02, 2.2409e-02, ..., -2.0604e-02,
1.3253e-02, -3.6008e-03],
[-2.1598e-02, 2.5892e-02, 1.9372e-02, ..., 1.4159e-02,
7.0983e-03, -2.3713e-02]])
Parameter containing:
tensor(1.00000e-02 *
[ 1.4703, 1.0289, 2.5069, -2.2603, -1.5218, -1.7019, 1.2569,
0.4617, -2.3082, -0.6282])

for name,parameters in net.named_parameters():
    print(name,':',parameters.size())

輸出:

conv1.weight : torch.Size([6, 1, 3, 3])
conv1.bias : torch.Size([6])
fc1.weight : torch.Size([10, 1350])
fc1.bias : torch.Size([10])

pytorch的優(yōu)點(diǎn)

1.PyTorch是相當(dāng)簡(jiǎn)潔且高效快速的框架；2.設(shè)計(jì)追求最少的封裝；3.設(shè)計(jì)符合人類思維，它讓用戶盡可能地專注于實(shí)現(xiàn)自己的想法；4.與google的Tensorflow類似，F(xiàn)AIR的支持足以確保PyTorch獲得持續(xù)的開發(fā)更新；5.PyTorch作者親自維護(hù)的論壇 供用戶交流和求教問題6.入門簡(jiǎn)單

上述內(nèi)容就是如何在Pytorch中操作統(tǒng)計(jì)模型參數(shù)量，你們學(xué)到知識(shí)或技能了嗎？如果還想學(xué)到更多技能或者豐富自己的知識(shí)儲(chǔ)備，歡迎關(guān)注億速云行業(yè)資訊頻道。