用torchsummary打印pytorch模型参数信息，并计算模型的FLOPs

最新推荐文章于 2025-06-14 16:26:16 发布

tang-0203

最新推荐文章于 2025-06-14 16:26:16 发布

阅读量1w

点赞数

CC 4.0 BY-SA版权

分类专栏： Pytorch学习文章标签： pytorch torchsummary FLOPs

本文链接：https://blog.youkuaiyun.com/tsq292978891/article/details/87918244

Pytorch学习专栏收录该内容

24 篇文章

订阅专栏

本文介绍如何使用torchsummary库打印PyTorch模型的参数信息，包括模型结构、参数数量等，并提供了计算模型浮点运算次数(FLOPs)的方法，这对于理解模型复杂度和优化模型性能非常关键。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

打印模型参数信息

在python3环境下安装torchsummary

from torchsummary import summary
import torchvision.models as models
model = models.resnet152()
model = model.cuda()
summary(model, input_size=(3,224,224), batch_size=-1, device='cuda')

计算模型FLOPs

代码详见：https://github.com/TangShengqin/pytorch_learn/blob/master/model_flops.py
其中，multiply_adds = True会同时累计加法和乘法的计算量。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

tang-0203

关注关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

pytorch模型参数信息计算模型的FLOPs

jacke121的专栏

11-19

4273

参考链接：https://blog.youkuaiyun.com/tsq292978891/article/details/87918244 打印模型参数信息在python3环境下安装torchsummary from torchsummary import summary import torchvision.models as models model = models.resnet152() mo...

pytorch 模型参数量、FLOPs统计方法

deku1018的博客

02-08

2543

文章目录一、使用第三方工具:torchstat:ptflops:其他工具：二、使用函数统计模型参数量：一、使用第三方工具: torchstat: 安装：pip install torchstat torchstat GitHub 源码页面例子： from torchstat import stat from backbone import EfficientDetBackbone model = EfficientDetBackbone() stat(model, (3, 1280, 1280)) 输

1 条评论您还未登录，请先登录后发表或查看评论

在Pytorch中计算自己模型的FLOPs方式

09-18

今天小编就为大家分享一篇在Pytorch中计算自己模型的FLOPs方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

torchsummary用法

weixin_50508552的博客

06-05

2458

3. conv1层，in_channel数为3，因为输入的参数的通道数就是3。所以输出大小h= （32+2*1-3）/1 + 1 = 32。），则默认的步幅是等于池化窗口的大小。输出大小为（16+2*1-3）/1 +1 = 16。所以conv1的输出为[-1,16,32,32]所以conv2的输出为[-1,32,16,16]所以max_pool1层的输出为[-1,16,16,16]所以max_pool2层的输出为[-1,32,8,8]max_pool2层后，将其打平，一共的参数数量是32。

torchsummary库中的summary()函数

最新发布

weixin_67868534的博客

06-14

1088

torchsummary库的summary()函数是PyTorch模型可视化的利器，它能生成清晰的表格展示模型结构、参数和内存占用情况。该工具可输出每层类型、输出形状、参数量，并统计总参数量与内存需求（包括输入数据、中间变量和参数存储）。使用时需注意设备匹配（CPU/GPU）和输入尺寸设置。典型应用包括模型调试、复杂度评估和学术展示，通过自动计算卷积层和全连接层的参数量，帮助开发者快速优化模型结构，预估部署资源需求，显著提升开发效率。

Pytorch 中的Summary和FLOPs统计使用窍门

不断学习

03-28

3274

Summary和FLOPs统计使用窍门SummaryFLOPs总结 Summary Summary 中需要输入input_size，如果input其Shape为[256,557]，则其用法和输出结果如下：用法：summary(model,(557,)) 输出：同理，如果input的Shape属性为[64,1,28,28]，则其input_size为[1,28,28] FLOPs Summary 中需要输入input_size，如果input其Shape为[256,300]，则其用法和输出结果如下：

Pytorch：summary（）函数打印网络结构

m0_47090348的博客

10-12

1179

但是这样打印出来的网络结构也不太好看。首先，安装torchinfo库（可以使用pip，也可以在pycharm的setting里下载安装）运行截图：（以下截图不是AlexNet的网络结构，我随便找的一个网络运行的结果）

torchsummary库的使用

kuailezzf的博客

01-22

1660

是一个用于打印PyTorch模型摘要信息的Python库，可以方便地查看模型的参数量、每一层的输出形状、以及总体的计算图结构等信息。在深度学习中，模型的复杂度和性能是非常重要的指标。通过打印模型的摘要信息，我们可以快速了解模型的规模、参数数量和计算图结构等信息，从而更好地理解模型的复杂度和性能，并进行相应的调整和优化。库提供了非常简单易用的API，只需要导入所需的库、定义模型和输入数据的尺寸，就可以打印出模型的摘要信息。在我们安装好后，我们需要引入自己的网络模型，然后使用。打印自定义网络模型的信息。

pytorch计算网络参数量和Flops

Mr_Lowbee的博客

09-07

637

输出的参数是B，（/1024/1024/1024）G，（/1024/1024/1024/1024）T。输出的参数是除以一百万（/1000000）M，

(17)PyTorch中计算模型的参数量(params)和浮点运算量(FLOPs)

weixin_40227656的博客

08-24

4353

方法１．使用summary test.py正确代码如下： import torch from torchsummary import summary from nets.yolo4 import YoloBody if __name__ == "__main__": # 需要使用device来指定网络在GPU还是CPU运行 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model

THOP：浮点运算量（ FLOPs）和参数数量（Params）的计算工具

知识的汲取和传授都应该是快乐的

01-09

1299

一种常用的估算PyTorch模型FLOPs和参数数量的工具

pytorch 实现打印模型的参数值

12-23

对于简单的网络例如全连接层Linear 可以使用以下方法打印linear层： fc = nn.Linear(3, 5) params = list(fc.named_parameters()) print(params.__len__()) print(params[0]) print(params[1]) 输出如下：由于Linear默认是偏置bias的，所有参数列表的长度是2。第一个存的是全连接矩阵，第二个存的是偏置。对于稍微复杂的网络例如MLP mlp = nn.Sequential( nn.Dropout(p=0.3), nn.Linear(1024

torchsummary的使用

群星闪耀的博客

05-12

5609

这个库可以查看用pytorch搭建的模型，各层输出尺寸。 1.安装相信大家使用到现在这个地步，导入库已经很熟练了。里面的坑我就不多说。 pip install torchsummary 2.导入 from torchsummary import summary summary(your_model, input_size=(channels, H, W)) 上述的your_model是搭建的模型，input_size是你输入的数据。比如输入一张图片大小为28*28的RGB(3个通道)的图

Pytorch 获取模型 Params/FLOPS

绿色羽毛

03-16

3687

1、自定义 Params Pytorch依据其内建接口自己写代码获取模型参数情况，大家可以参考Pytorch提供的model.parameters() 接口来获取相应参数的size来实现，对于该参数是否属于可训练参数，那么可以依据Pytorch提供的requires_grad标志位来进行判断，具体方法如下代码所示：

深度学习模型参数量以及FLOPs计算工具

非晚非晚的博客

07-12

3760

深度学习模型参数量与FLOPs计算工具介绍

网络结构可视化——Torch-summary库

Joker 007的博客

10-15

4529

网络结构可视化

pytorch 笔记：torchsummary、计算模型参数量

qq_40206371的博客

09-29

5727

作用：打印神经网络的结构以pytorch笔记：搭建简易CNN_UQI-LIUWJ的博客-优快云博客中搭建的CNN为例 import torch from torchsummary import summary class CNN(nn.Module): def __init__(self): super(CNN,self).__init__() self.conv1=nn.Sequential( nn.Conv2d( .

模型可视化库torch-summary使用

qq_40379977的博客

01-31

3972

torch-summary的简单使用。

怎么查看训练以后的yolact模型参数量和计算量

03-10

<think>嗯，用户想查看训练后的YOLACT模型的参数量和计算量。首先，我需要回忆一下YOLACT模型的基本结构，它属于单阶段实例分割模型，结合了目标检测和掩模生成。然后，用户的问题是如何检查这两个指标：参数量和计算复杂度。参数量通常是指模型中所有可训练参数的总数，包括卷积层的权重、全连接层的参数等。计算复杂度通常用FLOPs（浮点运算次数）来衡量，表示前向传播所需的计算量。接下来，我需要考虑用户可能使用的框架，比如PyTorch，因为YOLACT的官方实现是基于PyTorch的。对于参数量，在PyTorch中可以使用`torchsummary`库或者直接遍历模型的参数，累加每个参数的数目。不过，用户可能需要具体的代码示例，所以得给出相应的代码片段。例如，通过`model.parameters()`来遍历，并计算总参数数量。计算复杂度方面，常用的工具有`thop`或者`ptflops`库，这些库可以统计模型的FLOPs。需要提醒用户安装这些库，并提供导入和使用的方法。另外，手动计算也是一种方式，但可能比较复杂，尤其是对于复杂的模型结构，手动计算容易出错，所以推荐使用现有工具。还需要注意模型输入的大小，比如YOLACT通常处理的是固定尺寸的图像，例如550x550，所以在计算FLOPs时需要指定正确的输入尺寸。此外，用户可能想知道参数量和FLOPs的具体数值，比如YOLACT的参数量大约在30M左右，FLOPs约为20B，但具体数值可能因版本和配置而异，所以建议用户自行运行代码获取准确结果。另外，用户可能遇到的问题包括如何加载训练好的模型，可能需要先加载模型架构和权重。需要提醒用户确保模型已经正确加载，并且输入尺寸与训练时一致。可能还需要解释参数量和计算复杂度的意义，比如参数量影响内存占用，FLOPs影响推理速度，帮助用户理解这两个指标的重要性。最后，生成相关问题的时候，需要围绕模型分析、优化方法、性能对比等方面，比如如何优化YOLACT的参数量，或者比较不同实例分割模型的效率。这样可以引导用户进一步探索相关知识。</think>### 检查YOLACT模型参数量与计算复杂度的方法 #### 1. **参数数量（Params）检查** 参数数量反映了模型的复杂度和内存占用需求。在PyTorch中可通过以下代码实现： ```python import torch from yolact import YOLACT # 假设已正确导入YOLACT模型类 # 初始化模型并加载预训练权重 model = YOLACT() model.load_weights("yolact_weights.pth") # 计算总参数量 total_params = sum(p.numel() for p in model.parameters()) print(f"总参数量: {total_params / 1e6:.2f}M") ``` - **输出示例**：`总参数量: 30.50M` - **意义**：参数量越大，模型学习能力越强，但可能增加过拟合风险[^3]。 #### 2. **计算复杂度（FLOPs）分析** FLOPs（浮点运算次数）反映模型推理时的计算需求。推荐使用工具库`thop`： ```python from thop import profile input_tensor = torch.randn(1, 3, 550, 550) # YOLACT标准输入尺寸 flops, params = profile(model, inputs=(input_tensor,)) print(f"FLOPs: {flops / 1e9:.2f}G") ``` - **输出示例**：`FLOPs: 21.45G` - **注意**：实际计算量受输入尺寸影响，需与训练配置一致[^4]。 #### 3. **手动计算方法（进阶）** 若需理解原理，可逐层分析： - **卷积层FLOPs公式**： $$ \text{FLOPs} = 2 \times C_{in} \times C_{out} \times K_h \times K_w \times H_{out} \times W_{out} $$ 其中$C$为通道数，$K$为卷积核尺寸，$H/W$为输出特征图尺寸。 #### 4. **典型YOLACT性能指标** 根据文献，YOLACT模型参数量约为30M，FLOPs约20-25G，在实时性与精度间取得平衡。 ---