### 计算并输出PyTorch模型参数数量的方法 在PyTorch中，可以通过多种方式计算模型的参数数量。以下是几种常见方法及其代码实现。 #### 方法一：使用`model.parameters()`遍历 通过遍历模型的所有参数，并调用`nelement()`方法来统计参数总数。此方法简单直接，适合快速获取模型参数量。 ```python total = sum([param.nelement() for param in model.parameters()]) print("Number of parameter: %.2fM" % (total / 1e6)) # 将结果转换为以百万（M）为单位显示[^1] ``` #### 方法二：使用自定义函数`count_parameters` 通过定义一个函数`count_parameters`，可以更灵活地统计模型中所有可学习参数的数量。这种方法仅统计`requires_grad=True`的参数，适用于需要忽略不可训练参数的场景。 ```python import torch.nn as nn def count_parameters(model): return sum(p.numel() for p in model.parameters() if p.requires_grad) class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() self.fc1 = nn.Linear(10, 20) self.fc2 = nn.Linear(20, 30) def forward(self, x): x = self.fc1(x) x = self.fc2(x) return x model = MyModel() num_params = count_parameters(model) print("模型参数量: ", num_params) # 输出模型参数量[^2] ``` #### 方法三：使用第三方库`thop` 如果需要同时计算模型的计算量（FLOPs）和参数量，可以使用`thop`库。该库提供了便捷的接口来分析模型复杂度。 首先安装`thop`库： ```bash pip install thop ``` 然后使用以下代码计算参数量和计算量： ```python from thop import profile import torch class YoloBody(nn.Module): # 示例模型 def __init__(self, input_dim, output_dim): super(YoloBody, self).__init__() self.fc1 = nn.Linear(input_dim, 256) self.fc2 = nn.Linear(256, output_dim) def forward(self, x): x = self.fc1(x) x = self.fc2(x) return x model = YoloBody(3, 20) input = torch.randn(1, 3, 416, 416) # 输入张量 flops, params = profile(model, inputs=(input,)) print('flops:', flops) # 打印计算量[^3] print('params:', params) # 打印参数量[^3] ``` 以上三种方法均可用于计算PyTorch模型的参数数量，具体选择取决于实际需求。如果只需统计参数量，推荐使用方法一或方法二；若需同时分析计算量和参数量，则推荐使用方法三。