神经网络打印模型参数及参数名字和数量

在设计和优化神经网络模型性能时，很多时候需要考虑模型的参数量和计算复杂度，下面一个栗子可以帮助我们快速查看模型的参数。
** 举个栗子，如有错误，欢迎大家批评指正 **
本文链接：神经网络打印模型参数及参数名字和数量
https://blog.csdn.net/leiduifan6944/article/details/103690228

exp：

import torch
from torch import nnclass Net(nn.Module):def __init__(self):super().__init__()self.fc1 = nn.Linear(3*4*4, 3*5*5)self.conv1 = nn.Sequential(nn.Conv2d(3, 4, 1, 1),     # conv1.0nn.BatchNorm2d(4),         # conv1.1nn.LeakyReLU(),                # conv1.2nn.Conv2d(4, 4, 3, 1),     # conv1.3nn.BatchNorm2d(4),         # conv1.4nn.LeakyReLU(),                # conv1.5)self.fc2 = nn.Linear(4*3*3, 10)def forward(self, entry):entry = entry.reshape(-1, 3*4*4)fc1_out = self.fc1(entry)fc1_out = fc1_out.reshape(-1, 3, 5, 5)conv1_out = self.conv1(fc1_out)conv1_out = conv1_out.reshape(-1, 4*3*3)fc2_out = self.fc2(conv1_out)return fc2_outif __name__ == '__main__':x = torch.Tensor(2, 3, 4, 4)net = Net()out = net(x)print('%14s : %s' % ('out.shape', out.shape))print('---------------华丽丽的分隔线---------------')# -------------方法1--------------sum_ = 0for name, param in net.named_parameters():mul = 1for size_ in param.shape:mul *= size_                            # 统计每层参数个数sum_ += mul                                 # 累加每层参数个数print('%14s : %s' % (name, param.shape))    # 打印参数名和参数数量# print('%s' % param)                     # 这样可以打印出参数，由于过多，我就不打印了print('参数个数：', sum_)                      # 打印参数量# -------------方法2--------------for param in net.parameters():print(param.shape)# print(param)# -------------方法3--------------params = list(net.parameters())for param in params:print(param.shape)# print(param)

以下是方法1的输出效果：

（方法2和方法3没贴出效果，个人比较喜欢用方法1，因为可以看到当前打印的是哪一层网络的参数）

     out.shape : torch.Size([2, 10])
---------------华丽丽的分隔线---------------fc1.weight : torch.Size([75, 48])fc1.bias : torch.Size([75])
conv1.0.weight : torch.Size([4, 3, 1, 1])conv1.0.bias : torch.Size([4])
conv1.1.weight : torch.Size([4])conv1.1.bias : torch.Size([4])
conv1.3.weight : torch.Size([4, 4, 3, 3])conv1.3.bias : torch.Size([4])
conv1.4.weight : torch.Size([4])conv1.4.bias : torch.Size([4])fc2.weight : torch.Size([10, 36])fc2.bias : torch.Size([10])
参数个数： 4225

神经网络打印模型参数及参数名字和数量相关推荐

机器学习模型的超参数优化 | 原力计划
作者 | deephub 责编 | 王晓曼出品 | CSDN博客头图 | CSDN付费下载自东方IC 引言模型优化是机器学习算法实现中最困难的挑战之一.机器学习和深度学习理论的所有分支都致力于模 ...
【机器学习】算法模型自动超参数优化方法
什么是超参数? 学习器模型中一般有两类参数,一类是可以从数据中学习估计得到,我们称为参数(Parameter).还有一类参数时无法从数据中估计,只能靠人的经验进行设计指定,我们称为超参数(Hyper ...
机器学习模型定点化_机器学习模型的超参数优化
引言模型优化是机器学习算法实现中最困难的挑战之一.机器学习和深度学习理论的所有分支都致力于模型的优化. 机器学习中的超参数优化旨在寻找使得机器学习算法在验证数据集上表现性能最佳的超参数.超参数与一般 ...
tensorflow超参数优化_机器学习模型的超参数优化
引言模型优化是机器学习算法实现中最困难的挑战之一.机器学习和深度学习理论的所有分支都致力于模型的优化. 机器学习中的超参数优化旨在寻找使得机器学习算法在验证数据集上表现性能最佳的超参数.超参数与一般 ...
PyTorch:存储和恢复模型并查看参数，load_state_dict()，state_dict()
# save torch.save(model.state_dict(), PATH)# load model = MyModel(*args, **kwargs) model.load_state_ ...
JVM内存模型、相关参数设置与命令查看
JVM内存模型.相关参数设置与命令查看 JVM内存模型,你看这一篇就够了 - 知乎 (zhihu.com) Java虚拟机-Java8内存模型JVM(整理版) - 牧梦者 - 博客园 (cnblogs ...
模型效果差？我建议你掌握这些机器学习模型的超参数优化方法
模型优化是机器学习算法实现中最困难的挑战之一.机器学习和深度学习理论的所有分支都致力于模型的优化. 机器学习中的超参数优化旨在寻找使得机器学习算法在验证数据集上表现性能最佳的超参数.超参数与一般模型参 ...
全网最全：机器学习算法模型自动超参数优化方法汇总
什么是超参数? 学习器模型中一般有两类参数,一类是可以从数据中学习估计得到,我们称为参数(Parameter).还有一类参数时无法从数据中估计,只能靠人的经验进行设计指定,我们称为超参数(Hyper ...
为多模型寻找模型最优参数、多模型交叉验证、可视化、指标计算、多模型对比可视化（系数图、误差图、混淆矩阵、校正曲线、ROC曲线、AUC、Accuracy、特异度、灵敏度、PPV、NPV）、结果数据保存
使用randomsearchcv为多个模型寻找模型最优参数.多模型交叉验证.可视化.指标计算.多模型对比可视化(系数图.误差图.classification_report.混淆矩阵.校正曲线.ROC曲 ...
R语言使用caret包构建GBM模型：在模型最优参数已知的情况下，拟合整个训练集，而无需进行任何重采样或参数调优
R语言使用caret包构建GBM模型:在模型最优参数已知的情况下,拟合整个训练集,而无需进行任何重采样或参数调优目录 R语言使用caret包构建GBM模型:在模型最优参数已知的情况下,拟合整个训练集 ...

神经网络打印模型参数及参数名字和数量

神经网络打印模型参数及参数名字和数量

exp：

以下是方法1的输出效果：

神经网络打印模型参数及参数名字和数量相关推荐

最新文章

热门文章