pytorch 求網(wǎng)絡(luò)模型參數(shù)實例
更新時間：2019年12月30日 10:25:02 作者：月亮是藍(lán)色
今天小編就為大家分享一篇pytorch 求網(wǎng)絡(luò)模型參數(shù)實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
用pytorch訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)時，我們通常會很關(guān)心模型的參數(shù)總量。下面分別介紹來兩種方法求模型參數(shù)
一 .求得每一層的模型參數(shù)，然后自然的可以計算出總的參數(shù)。
1.先初始化一個網(wǎng)絡(luò)模型model
比如我這里是 model=cliqueNet(里面是些初始化的參數(shù)）
2.調(diào)用model的Parameters類獲取參數(shù)列表
一個典型的操作就是將參數(shù)列表傳入優(yōu)化器里。如下
optimizer = optim.Adam(model.parameters(), lr=opt.lr)
言歸正傳，繼續(xù)回到參數(shù)里面，參數(shù)在網(wǎng)絡(luò)里面就是variable,下面分別求每層的尺寸大小和個數(shù)。
函數(shù)get_number_of_param( ) 里面的參數(shù)就是剛才第一步初始化的model
def get_number_of_param(model):
"""get the number of param for every element"""
count = 0
for param in model.parameters():
param_size = param.size()
count_of_one_param = 1
for dis in param_size:
count_of_one_param *= dis
print(param.size(), count_of_one_param)
count += count_of_one_param
print(count)
print('total number of the model is %d'%count)
再來看看結(jié)果：
torch.Size([64, 1, 3, 3]) 576 576 torch.Size([64]) 64 640 torch.Size([6, 36, 64, 3, 3]) 124416 125056 torch.Size([30, 36, 36, 3, 3]) 349920 474976 torch.Size([12, 36]) 432 475408 torch.Size([6, 36, 216, 3, 3]) 419904 895312 torch.Size([30, 36, 36, 3, 3]) 349920 1245232 torch.Size([12, 36]) 432 1245664 torch.Size([6, 36, 216, 3, 3]) 419904 1665568 torch.Size([30, 36, 36, 3, 3]) 349920 2015488 torch.Size([12, 36]) 432 2015920 torch.Size([6, 36, 216, 3, 3]) 419904 2435824 torch.Size([30, 36, 36, 3, 3]) 349920 2785744 torch.Size([12, 36]) 432 2786176 torch.Size([216, 216, 1, 1]) 46656 2832832 torch.Size([216]) 216 2833048 torch.Size([108, 216]) 23328 2856376 torch.Size([108]) 108 2856484 torch.Size([216, 108]) 23328 2879812 torch.Size([216]) 216 2880028 torch.Size([216, 216, 1, 1]) 46656 2926684 torch.Size([216]) 216 2926900 torch.Size([108, 216]) 23328 2950228 torch.Size([108]) 108 2950336 torch.Size([216, 108]) 23328 2973664 torch.Size([216]) 216 2973880 torch.Size([216, 216, 1, 1]) 46656 3020536 torch.Size([216]) 216 3020752 torch.Size([108, 216]) 23328 3044080 torch.Size([108]) 108 3044188 torch.Size([216, 108]) 23328 3067516 torch.Size([216]) 216 3067732 torch.Size([140, 280, 1, 1]) 39200 3106932 torch.Size([140]) 140 3107072 torch.Size([216, 432, 1, 1]) 93312 3200384 torch.Size([216]) 216 3200600 torch.Size([216, 432, 1, 1]) 93312 3293912 torch.Size([216]) 216 3294128 torch.Size([9, 572, 3, 3]) 46332 3340460 torch.Size([9]) 9 3340469 total number of the model is 3340469
可以通過計算驗證一下，發(fā)現(xiàn)參數(shù)與網(wǎng)絡(luò)是一致的。
二：一行代碼就可以搞定參數(shù)總個數(shù)問題
2.1 先來看看torch.tensor.numel( )這個函數(shù)的功能就是求tensor中的元素個數(shù)，在網(wǎng)絡(luò)里面每層參數(shù)就是多維數(shù)組組成的tensor。
實際上就是求多維數(shù)組的元素個數(shù)?？创a。
print('cliqueNet parameters:', sum(param.numel() for param in model.parameters()))
當(dāng)然上面代碼中的model還是上面初始化的網(wǎng)絡(luò)模型。
看看兩種的計算結(jié)果
torch.Size([64, 1, 3, 3]) 576 576 torch.Size([64]) 64 640 torch.Size([6, 36, 64, 3, 3]) 124416 125056 torch.Size([30, 36, 36, 3, 3]) 349920 474976 torch.Size([12, 36]) 432 475408 torch.Size([6, 36, 216, 3, 3]) 419904 895312 torch.Size([30, 36, 36, 3, 3]) 349920 1245232 torch.Size([12, 36]) 432 1245664 torch.Size([6, 36, 216, 3, 3]) 419904 1665568 torch.Size([30, 36, 36, 3, 3]) 349920 2015488 torch.Size([12, 36]) 432 2015920 torch.Size([6, 36, 216, 3, 3]) 419904 2435824 torch.Size([30, 36, 36, 3, 3]) 349920 2785744 torch.Size([12, 36]) 432 2786176 torch.Size([216, 216, 1, 1]) 46656 2832832 torch.Size([216]) 216 2833048 torch.Size([108, 216]) 23328 2856376 torch.Size([108]) 108 2856484 torch.Size([216, 108]) 23328 2879812 torch.Size([216]) 216 2880028 torch.Size([216, 216, 1, 1]) 46656 2926684 torch.Size([216]) 216 2926900 torch.Size([108, 216]) 23328 2950228 torch.Size([108]) 108 2950336 torch.Size([216, 108]) 23328 2973664 torch.Size([216]) 216 2973880 torch.Size([216, 216, 1, 1]) 46656 3020536 torch.Size([216]) 216 3020752 torch.Size([108, 216]) 23328 3044080 torch.Size([108]) 108 3044188 torch.Size([216, 108]) 23328 3067516 torch.Size([216]) 216 3067732 torch.Size([140, 280, 1, 1]) 39200 3106932 torch.Size([140]) 140 3107072 torch.Size([216, 432, 1, 1]) 93312 3200384 torch.Size([216]) 216 3200600 torch.Size([216, 432, 1, 1]) 93312 3293912 torch.Size([216]) 216 3294128 torch.Size([9, 572, 3, 3]) 46332 3340460 torch.Size([9]) 9 3340469 total number of the model is 3340469 cliqueNet parameters: 3340469
可以看出兩種計算出來的是一模一樣的。
以上這篇pytorch 求網(wǎng)絡(luò)模型參數(shù)實例就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關(guān)文章
這篇文章主要介紹了Python中的遞歸函數(shù)使用詳解,遞歸函數(shù)是指某個函數(shù)調(diào)用自己或者調(diào)用其他函數(shù)后再次調(diào)用自己,由于不能無限嵌套調(diào)用,所以某個遞歸函數(shù)一定存在至少兩個分支,一個是退出嵌套,不再直接或者間接調(diào)用自己；另外一個則是繼續(xù)嵌套,需要的朋友可以參考下2023-12-12
python實現(xiàn)可以斷點續(xù)傳和并發(fā)的ftp程序
斷點續(xù)傳和并發(fā)是現(xiàn)在很多ftp程序都支持的功能，如果我們用python如何來做斷點續(xù)傳和并發(fā)了，今天來看一篇python實現(xiàn)斷點續(xù)傳和并發(fā)的ftp程序例子吧，具體如下。2016-09-09
這篇文章主要介紹了python中Event實現(xiàn)線程間同步，Event是python線程間同步一種常用的方法，下列內(nèi)容總結(jié)需要的朋友可以參考一下2022-04-04
imageio 是一個 Python 庫,用于讀取和寫入多種圖像和視頻格式,它功能強大、易于使用,廣泛應(yīng)用于圖像處理、視頻編輯和數(shù)據(jù)可視化等領(lǐng)域,本篇文章將介紹 imageio 的基礎(chǔ)功能、常見用法以及高級操作,需要的朋友可以參考下2024-12-12
python 是一種解釋型的編程語言，所以不像編譯型語言那樣需要顯式的編譯過程。然而，在 Python 代碼執(zhí)行之前，它需要被解釋器轉(zhuǎn)換成字節(jié)碼，這個過程就是 Python 的編譯過程,還不知道的朋友快來看看吧2023-04-04
python爬取網(wǎng)頁內(nèi)容轉(zhuǎn)換為PDF文件
這篇文章主要為大家詳細(xì)介紹了python爬取網(wǎng)頁內(nèi)容轉(zhuǎn)換為PDF文件，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-06-06
這篇文章介紹了使用Python程序計算鋼琴88個鍵的音高，文中通過示例代碼介紹的非常詳細(xì)。對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-04-04
在Linux系統(tǒng)上通過uWSGI配置Nginx+Python環(huán)境的教程
這篇文章主要介紹了在Linux系統(tǒng)上通過uWSGI配置Nginx+Python環(huán)境的教程,示例中為Ubuntu系統(tǒng)并且默認(rèn)使用系統(tǒng)中自帶的Python解釋器,需要的朋友可以參考下2015-12-12
使用opencv相關(guān)函數(shù)確定圖片中的直線問題
這篇文章主要介紹了使用opencv相關(guān)函數(shù)確定圖片中的直線問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-11-11
本篇文章主要介紹了python實現(xiàn)堆和索引堆的代碼示例，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2018-03-03