torchsummary和torchstat使用方法和结果分析

最新推荐文章于 2025-04-22 17:17:12 发布

无码不欢的我

最新推荐文章于 2025-04-22 17:17:12 发布

阅读量1.5w

点赞数 13

分类专栏：深度学习知识点文章标签： pytorch 深度学习 python

本文链接：https://blog.youkuaiyun.com/m0_56192771/article/details/124672273

版权

深度学习知识点专栏收录该内容

7 篇文章

订阅专栏

本文介绍了如何使用torchstat和torchsummary工具来分析PyTorch模型的参数量、运算量以及结构。torchstat提供网络的参数、内存、FLOPs和MAdd等信息，而torchsummary则用于查看模型的详细结构、输入输出尺寸以及参数数量。通过这两个工具，开发者可以更好地理解和调试模型，优化其性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 torchstat：查看模型的大小和浮动运算量

安装工具 pip install torchstat

使用例子

import torch
import torch.nn as nn
from torchstat import stat

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()

        self.layer1 = nn.Sequential(
            nn.Conv2d(3, 32, kernel_size=3),
            nn.BatchNorm2d(32),
            nn.ReLU(),
            nn.MaxPool2d(2, 2)
        )

        self.fc = nn.Sequential(
            nn.Linear(32 * 127 * 127, 1024),
            nn.ReLU(),
            nn.Linear(1024, 4)
        )

    def forward(self, x):
        x = self.layer1(x)
        x = x.view(-1, 32 * 127 * 127)
        x = self.fc(x)

        return x
model=Net()
print(stat(model, (3, 256, 256)))

输出结果如下所示：
在这里插入图片描述
参数说明：

【params】
网络的参数量

【memory】
节点推理时候所需的内存

【Flops】
网络完成的浮点运算

【MAdd】
网络完成的乘加操作的数量。一次乘加=一次乘法+一次加法，所以可以粗略的认为
Flops ≈2*MAdd

【MemRead】
网络运行时，从内存中读取的大小

【MemWrite】
网络运行时，写入到内存中的大小

【MemR+W】
MemR+W = MemRead + MemWrite

2 torchsummary：查看模型结构和输入输出尺寸

torchsummary.summary(model, input_size, batch_size=-1, device="cuda")

功能：查看模型的信息，便于调试

model：pytorch 模型，必须继承自 nn.Module
input_size：模型输入 size，形状为 C，H ，W
batch_size：batch_size，默认为 -1，在展示模型每层输出的形状时显示的 batch_size
device：“cuda"或者"cpu”

使用时需要注意，默认device=‘cuda’，如果是在‘cpu’，那么就需要更改。不匹配就会出现下面的错误：

import torch
from model.lenet import LeNet
from torchsummary import summary

# 模型

lenet = LeNet(classes=2)

print(summary(lenet, (3, 32, 32), device="cpu"))


#输入结果如下所示:下述信息分别有模型每层的输出形状，每层的参数数量，总的参数数量，以及模型大小等信息。
#由结果可得，模型的大小是0.23MB

----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
            Conv2d-1            [-1, 6, 28, 28]             456
            Conv2d-2           [-1, 16, 10, 10]           2,416
            Linear-3                  [-1, 120]          48,120
            Linear-4                   [-1, 84]          10,164
            Linear-5                    [-1, 2]             170
================================================================
Total params: 61,326
Trainable params: 61,326
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.01
Forward/backward pass size (MB): 0.05
Params size (MB): 0.23
Estimated Total Size (MB): 0.30
----------------------------------------------------------------
None