计算神经网络每一层需要训练的参数和每一层的FLOPs_计算神经网络 flops的代码-优快云博客

本文介绍如何在PyTorch中实现神经网络，并详细讲解如何计算模型的FLOPs（浮点运算数）。通过定义神经网络结构，利用THOP库获取整个网络的FLOPs，并进一步分解到每一层的FLOPs，帮助读者更好地理解模型的计算复杂度。

FLOPs是什么？

FLOPs：注意s小写，是floating point operations的缩写（s表复数），意指浮点运算数，理解为计算量。可以用来衡量算法/模型的复杂度。

开始实现

使用的是pytorch来实现神经网络，先导入这几个包。为啥那，我再想想。。。

import torch
import torch.nn.functional as F
import torch.nn as nn
from thop import profile

定义神经网络，这里常用了继承torch.nn.Module的方法，至于其他的方法，我只是一个小白。。。要什么其他方法。

class Net(torch.nn.Module):
    def __init__(self, n_features, n_hidden, n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_features, n_hidden)
        self.predict = torch.nn.Linear(n_hidden, n_output)

    def forward(self, x):
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x

定义了一个获得神经网络每层参数的函数getParameter，

在getParameter里面进一步写出我想要的东西，返回的是一个字典

def getParameter(net):  # return a dictionary that includes every layer name and count of parameter

    nameL