### 如何在 PyTorch 中统计模型的可训练参数数量 在 PyTorch 中，可以通过遍历模型中的 `parameters()` 方法来获取所有的张量对象，并进一步筛选出那些具有梯度更新需求 (`requires_grad=True`) 的张量。以下是实现这一功能的具体方法： #### 使用自定义函数统计总参数量与可训练参数量 可以编写如下函数用于计算模型的总参数量以及其中可训练部分的数量[^1]: ```python def get_parameter_number(model): total_num = sum(p.numel() for p in model.parameters()) trainable_num = sum(p.numel() for p in model.parameters() if p.requires_grad) return {'Total Parameters': total_num, 'Trainable Parameters': trainable_num} ``` 此代码片段通过调用 `model.parameters()` 获取所有层的权重矩阵集合，利用列表推导式逐一累加各权重矩阵元素总数得到整体参数规模；对于仅需关注能够参与反向传播调整的部分，则额外加入条件判断 `if p.requires_grad`。 #### 转换为更直观单位表示（如 MB） 如果希望以更加友好的形式展示这些数值大小，比如千字节或者兆字节数级，那么还可以稍作修改增加单位转换逻辑[^2]: ```python def check_parameters(net): '''Returns module parameters. Mb''' parameters = sum(param.numel() for param in net.parameters()) return parameters / 10**6 ``` 上述例子中我们将最终结果除以一百万从而获得近似于MB级别的估计值。 #### 借助第三方库简化操作流程 除了手动编码外，还有专门针对此类场景设计的强大工具可供选用——例如 **torchstat** 库提供了便捷接口完成同样任务而无需自行解析网络结构细节: 安装命令:`pip install torchstat` 使用样例: ```python from torchstat import stat import torchvision.models as models model = models.alexnet() stat(model, (3, 224, 224)) ``` 这里我们加载了一个预置的经典卷积神经网络 AlexNet 实例作为演示目标，并指定输入图片尺寸为标准 ImageNet 数据集规格即三通道彩色图像分辨率为 224×224 像素点阵列。执行完毕后即可打印输出详细的资源消耗报告其中包括但不限于每层具体占用内存空间情况及其对应的操作次数等等丰富信息.