### 如何使用 Python 计算神经网络模型的参数数量 在深度学习中，计算模型的总参数量是一项重要的任务，它有助于评估模型复杂度以及资源消耗情况。无论是 TensorFlow 还是 PyTorch，都可以通过内置方法轻松获取模型的参数总数。 #### 使用 PyTorch 计算模型参数量 PyTorch 提供了一种简单的方法来统计模型中的可训练参数数量。可以通过遍历模型的 `parameters()` 方法并累加每个张量的元素数实现这一目标[^3]： ```python import torch.nn as nn import torch def count_parameters(model): total_params = sum(p.numel() for p in model.parameters()) # 统计所有参数 trainable_params = sum(p.numel() for p in model.parameters() if p.requires_grad) # 可训练参数 return total_params, trainable_params class SimpleModel(nn.Module): def __init__(self): super(SimpleModel, self).__init__() self.fc1 = nn.Linear(784, 256) self.relu = nn.ReLU() self.fc2 = nn.Linear(256, 10) def forward(self, x): x = self.fc1(x) x = self.relu(x) x = self.fc2(x) return x model = SimpleModel() total, trainable = count_parameters(model) print(f"Total Parameters: {total}, Trainable Parameters: {trainable}") ``` 此代码定义了一个简单的全连接神经网络，并调用了 `count_parameters` 函数以打印总的参数数量和可训练参数的数量[^4]。 #### 使用 TensorFlow/Keras 计算模型参数量 对于基于 Keras 的 TensorFlow 模型，可以直接利用 `summary()` 方法查看模型结构及其参数总量[^5]： ```python from tensorflow.keras import Sequential from tensorflow.keras.layers import Dense model = Sequential([ Dense(256, activation='relu', input_shape=(784,)), Dense(10, activation='softmax') ]) model.summary() ``` 运行以上代码会输出每一层的具体配置信息，其中包括每层的参数数量以及整个模型的总参数量。 无论采用哪种框架，上述方式均能有效帮助开发者快速掌握模型规模，从而优化性能表现或调整超参设置。