### 如何在 PyTorch 中查看模型的可训练参数 在 PyTorch 中，可以通过 `model.parameters()` 或者更具体的方式访问模型的可训练参数。以下是详细的说明以及代码示例： #### 方法一：遍历 `model.parameters()` `model.parameters()` 是一个生成器，可以返回模型中所有的可训练参数（即具有梯度更新属性的张量）。通过将其转换为列表并打印其长度或具体内容来查看。 ```python import torch.nn as nn import torch class SimpleModel(nn.Module): def __init__(self): super(SimpleModel, self).__init__() self.fc = nn.Linear(10, 1) def forward(self, x): return self.fc(x) model = SimpleModel() # 遍历所有可训练参数 for param in model.parameters(): print(param.size()) # 打印每个参数的形状 ``` 上述代码会输出模型中每一层权重和偏置向量的大小[^1]。 --- #### 方法二：统计总参数数量 如果需要知道整个模型中有多少个可训练参数，可以通过如下方式计算总数： ```python total_params = sum(p.numel() for p in model.parameters() if p.requires_grad) print(f"Total Trainable Parameters: {total_params}") ``` 此代码片段利用了 Python 的生成器表达式，逐一遍历模型中的每一个参数，并仅对那些满足 `requires_grad=True` 条件的参数求和[^2]。 --- #### 方法三：按名称区分参数 有时可能希望不仅看到参数的数量，还想知道它们所属的具体模块名。这可以通过 `named_parameters()` 实现： ```python for name, param in model.named_parameters(): if param.requires_grad: print(f"{name}: {param.shape}") # 输出参数的名字及其维度 ``` 这种方法对于调试复杂网络结构非常有用，因为它能够清晰展示哪些变量正在被优化[^3]。 --- #### GPU 上运行时注意事项 当模型部署到 GPU 设备上之后，仍然可以用相同的方法查询这些信息；不过需要注意的是，在移动数据之前应先设置好目标设备对象 `device` 并将模型转移到该位置上去执行操作[^4]: ```python device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model.to(device) for name, param in model.named_parameters(): if param.requires_grad: print(f"{name}: {param.shape} (on device: {param.device})") ``` 这样不仅可以确认各组件的状态还能验证它们确实已经加载到了预期硬件资源之上去了。 --- ### 总结 以上三种方法分别适用于不同场景下的需求——快速概览整体规模、精确控制特定子集或者深入分析内部组成细节等方面都提供了便利工具支持开发者更好地理解自己构建出来的神经网络架构特性。