深度学习中，模型训练完后，查看模型的参数量和浮点计算量，在此记录下：
在pytorch中有现成的包thop用于计算参数数量和FLOP，首先安装thop：
pip install thop
注意安装thop时可能出现如下错误：
pip install --upgrade git+https://github.com/Lyken17/pytorch-OpCounter.git # 下载源码安装
使用方法如下：
from torchvision.models import resnet50 # 引入ResNet50模型 from thop import profile model = resnet50() flops, params = profile(model, input_size=(1, 3, 224,224)) # profile（模型，输入数据）
对于自己构建的函数也一样，例如shuffleNetV2
from thop import profile
from utils.ShuffleNetV2 import shufflenetv2 # 导入shufflenet2 模块
import torch
model_shuffle = shufflenetv2(width_mult=0.5)
model = torch.nn.DataParallel(model_shuffle) # 调用shufflenet2 模型，该模型为自己定义的
flop, para = profile(model, input_size=(1, 3, 224, 224),)
print("%.2fM" % (flop/1e6), "%.2fM" % (para/1e6))
更多细节，可参考thop GitHub链接： https://github.com/Lyken17/pytorch-OpCounter
pytorch本身带有计算参数的方法
from thop import profile
from utils.ShuffleNetV2 import shufflenetv2 # 导入shufflenet2 模块
import torch
model_shuffle = shufflenetv2(width_mult=0.5)
model = torch.nn.DataParallel(model_shuffle)
total = sum([param.nelement() for param in model.parameters()])
print("Number of parameter: %.2fM" % (total / 1e6))
补充：pytorch: 计算网络模型的计算量(FLOPs)和参数量(Params)
计算量：
FLOPs，FLOP时指浮点运算次数，s是指秒，即每秒浮点运算次数的意思，考量一个网络模型的计算量的标准。
参数量：
Params，是指网络模型中需要训练的参数总数。
pip install thop
import torch
from thop import profile
net = Model() # 定义好的网络模型
input = torch.randn(1, 3, 112, 112)
flops, params = profile(net, (inputs,))
print('flops: ', flops, 'params: ', params)
输入input的第一维度是批量(batch size)，批量的大小不回影响参数量， 计算量是batch_size=1的倍数
profile(net, (inputs,))的 (inputs,)中必须加上逗号，否者会报错
以上为个人经验，希望能给大家一个参考，也希望大家多多支持。如有错误或未考虑完全的地方，望不吝赐教。
京公网安备 11010802040832号 | 京ICP备19059560号-6 