网络模型打印 参数量 模型计算量 FLOPs MACs 简单计算方法

已于 2023-12-06 16:00:05 修改
阅读量845 收藏 4
点赞数 1
分类专栏： Python 文章标签： 网络 python 机器学习
于 2023-08-23 21:16:08 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/L_egend_ing/article/details/132460751
版权

目录

网络模型打印

最简单的就是 print(model)

import torchvision.models as models

network = models.resnet18()
print(network)

当然，一般需求都比这个多，效果我放在文末尾了。

继续往下看👇

模型参数量

参考github
使用torchinfo， 安装使用 pip install torchinfo

from torchinfo import summary
import torchvision.models as models

network = models.resnet18()
summary(network, (1, 3, 224, 224))

这个模块比较简单，可以很方便的使用，除了模型加载一共两行。

我们简单分析一下后面这些有用的输出，

Total params: 60,192,808
Trainable params: 60,192,808
Non-trainable params: 0
Total mult-adds (G): 11.51

Total params - 模型参数量，上面可以翻译为60.19 M
Trainable params - 模型可训练参数量，假如freeze某些层就会出现下面样子

Total params: 11,689,512
Trainable params: 11,680,104
Non-trainable params: 9,408
Total mult-adds (G): 1.81

这是我把 Conv2d: 1-1 进行参数冻结显示的
继续，
Total mult-adds (G) 这是 MACs 总乘加计数，单位是G（10^9）可以直接用，肯定有人会问，那个FLOPs呢，这个FLOPS我看了很多实现，很难实现一致性，所以建议采用MACs就可以，主要是要对比效果，如果非要转换，大约是 1 MACs 包含 2 FLOPs，这个说法仅供参考。

下面没有冻结哦

Input size (MB): 0.60
Forward/backward pass size (MB): 360.87
Params size (MB): 240.77
Estimated Total Size (MB): 602.25

Input size 输入尺寸，这里是说3x224x224的图片占用的内存大小
Forward/backward pass size (MB) 前向进行推理所占用的显存大小
Params size (MB) 保存模型参数所占用的显存大小
将上面三项加起来就是Estimated Total Size (MB)，若显卡显存是24GB，即24576 MB, 则可以计算batch_size大小为 24576/602.25 约等于 40，这个只是大概估计，可能具体情况需要±10？

实现效果1

==========================================================================================
Layer (type:depth-idx)                   Output Shape              Param #
==========================================================================================
ResNet                                   [1, 1000]                 --
├─Conv2d: 1-1                            [1, 64, 112, 112]         9,408
├─BatchNorm2d: 1-2                       [1, 64, 112, 112]         128
├─ReLU: 1-3                              [1, 64, 112, 112]         --
├─MaxPool2d: 1-4                         [1, 64, 56, 56]           --
├─Sequential: 1-5                        [1, 256, 56, 56]          --
│    └─Bottleneck: 2-1                   [1, 256, 56, 56]          --
│    │    └─Conv2d: 3-1                  [1, 64, 56, 56]           4,096
│    │    └─BatchNorm2d: 3-2             [1, 64, 56, 56]           128
│    │    └─ReLU: 3-3                    [1, 64, 56, 56]           --
│    │    └─Conv2d: 3-4                  [1, 64, 56, 56]           36,864
│    │    └─BatchNorm2d: 3-5             [1, 64, 56, 56]           128
│    │    └─ReLU: 3-6                    [1, 64, 56, 56]           --
│    │    └─Conv2d: 3-7                  [1, 256, 56, 56]          16,384
│    │    └─BatchNorm2d: 3-8             [1, 256, 56, 56]          512
│    │    └─Sequential: 3-9              [1, 256, 56, 56]          16,896
│    │    └─ReLU: 3-10                   [1, 256, 56, 56]          --
│    └─Bottleneck: 2-2                   [1, 256, 56, 56]          --
│    │    └─Conv2d: 3-11                 [1, 64, 56, 56]           16,384
│    │    └─BatchNorm2d: 3-12            [1, 64, 56, 56]           128
│    │    └─ReLU: 3-13                   [1, 64, 56, 56]           --
│    │    └─Conv2d: 3-14                 [1, 64, 56, 56]           36,864
│    │    └─BatchNorm2d: 3-15            [1, 64, 56, 56]           128
│    │    └─ReLU: 3-16                   [1, 64, 56, 56]           --
│    │    └─Conv2d: 3-17                 [1, 256, 56, 56]          16,384
│    │    └─BatchNorm2d: 3-18            [1, 256, 56, 56]          512
│    │    └─ReLU: 3-19                   [1, 256, 56, 56]          --
│    └─Bottleneck: 2-3                   [1, 256, 56, 56]          --
│    │    └─Conv2d: 3-20                 [1, 64, 56, 56]           16,384
│    │    └─BatchNorm2d: 3-21            [1, 64, 56, 56]           128
│    │    └─ReLU: 3-22                   [1, 64, 56, 56]           --
│    │    └─Conv2d: 3-23                 [1, 64, 56, 56]           36,864
│    │    └─BatchNorm2d: 3-24            [1, 64, 56, 56]           128
│    │    └─ReLU: 3-25                   [1, 64, 56, 56]           --
│    │    └─Conv2d: 3-26                 [1, 256, 56, 56]          16,384
│    │    └─BatchNorm2d: 3-27            [1, 256, 56, 56]          512
│    │    └─ReLU: 3-28                   [1, 256, 56, 56]          --
├─Sequential: 1-6                        [1, 512, 28, 28]          --
│    └─Bottleneck: 2-4                   [1, 512, 28, 28]          --
│    │    └─Conv2d: 3-29                 [1, 128, 56, 56]          32,768
│    │    └─BatchNorm2d: 3-30            [1, 128, 56, 56]          256
│    │    └─ReLU: 3-31                   [1, 128, 56, 56]          --
│    │    └─Conv2d: 3-32                 [1, 128, 28, 28]          147,456
│    │    └─BatchNorm2d: 3-33            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-34                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-35                 [1, 512, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-36            [1, 512, 28, 28]          1,024
│    │    └─Sequential: 3-37             [1, 512, 28, 28]          132,096
│    │    └─ReLU: 3-38                   [1, 512, 28, 28]          --
│    └─Bottleneck: 2-5                   [1, 512, 28, 28]          --
│    │    └─Conv2d: 3-39                 [1, 128, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-40            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-41                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-42                 [1, 128, 28, 28]          147,456
│    │    └─BatchNorm2d: 3-43            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-44                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-45                 [1, 512, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-46            [1, 512, 28, 28]          1,024
│    │    └─ReLU: 3-47                   [1, 512, 28, 28]          --
│    └─Bottleneck: 2-6                   [1, 512, 28, 28]          --
│    │    └─Conv2d: 3-48                 [1, 128, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-49            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-50                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-51                 [1, 128, 28, 28]          147,456
│    │    └─BatchNorm2d: 3-52            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-53                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-54                 [1, 512, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-55            [1, 512, 28, 28]          1,024
│    │    └─ReLU: 3-56                   [1, 512, 28, 28]          --
│    └─Bottleneck: 2-7                   [1, 512, 28, 28]          --
│    │    └─Conv2d: 3-57                 [1, 128, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-58            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-59                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-60                 [1, 128, 28, 28]          147,456
│    │    └─BatchNorm2d: 3-61            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-62                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-63                 [1, 512, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-64            [1, 512, 28, 28]          1,024
│    │    └─ReLU: 3-65                   [1, 512, 28, 28]          --
│    └─Bottleneck: 2-8                   [1, 512, 28, 28]          --
│    │    └─Conv2d: 3-66                 [1, 128, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-67            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-68                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-69                 [1, 128, 28, 28]          147,456
│    │    └─BatchNorm2d: 3-70            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-71                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-72                 [1, 512, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-73            [1, 512, 28, 28]          1,024
│    │    └─ReLU: 3-74                   [1, 512, 28, 28]          --
│    └─Bottleneck: 2-9                   [1, 512, 28, 28]          --
│    │    └─Conv2d: 3-75                 [1, 128, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-76            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-77                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-78                 [1, 128, 28, 28]          147,456
│    │    └─BatchNorm2d: 3-79            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-80                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-81                 [1, 512, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-82            [1, 512, 28, 28]          1,024
│    │    └─ReLU: 3-83                   [1, 512, 28, 28]          --
│    └─Bottleneck: 2-10                  [1, 512, 28, 28]          --
│    │    └─Conv2d: 3-84                 [1, 128, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-85            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-86                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-87                 [1, 128, 28, 28]          147,456
│    │    └─BatchNorm2d: 3-88            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-89                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-90                 [1, 512, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-91            [1, 512, 28, 28]          1,024
│    │    └─ReLU: 3-92                   [1, 512, 28, 28]          --
│    └─Bottleneck: 2-11                  [1, 512, 28, 28]          --
│    │    └─Conv2d: 3-93                 [1, 128, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-94            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-95                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-96                 [1, 128, 28, 28]          147,456
│    │    └─BatchNorm2d: 3-97            [1, 128, 28, 28]          256
│    │    └─ReLU: 3-98                   [1, 128, 28, 28]          --
│    │    └─Conv2d: 3-99                 [1, 512, 28, 28]          65,536
│    │    └─BatchNorm2d: 3-100           [1, 512, 28, 28]          1,024
│    │    └─ReLU: 3-101                  [1, 512, 28, 28]          --
├─Sequential: 1-7                        [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-12                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-102                [1, 256, 28, 28]          131,072
│    │    └─BatchNorm2d: 3-103           [1, 256, 28, 28]          512
│    │    └─ReLU: 3-104                  [1, 256, 28, 28]          --
│    │    └─Conv2d: 3-105                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-106           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-107                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-108                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-109           [1, 1024, 14, 14]         2,048
│    │    └─Sequential: 3-110            [1, 1024, 14, 14]         526,336
│    │    └─ReLU: 3-111                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-13                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-112                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-113           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-114                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-115                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-116           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-117                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-118                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-119           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-120                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-14                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-121                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-122           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-123                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-124                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-125           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-126                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-127                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-128           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-129                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-15                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-130                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-131           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-132                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-133                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-134           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-135                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-136                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-137           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-138                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-16                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-139                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-140           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-141                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-142                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-143           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-144                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-145                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-146           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-147                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-17                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-148                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-149           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-150                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-151                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-152           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-153                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-154                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-155           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-156                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-18                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-157                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-158           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-159                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-160                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-161           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-162                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-163                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-164           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-165                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-19                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-166                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-167           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-168                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-169                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-170           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-171                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-172                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-173           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-174                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-20                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-175                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-176           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-177                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-178                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-179           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-180                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-181                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-182           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-183                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-21                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-184                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-185           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-186                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-187                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-188           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-189                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-190                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-191           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-192                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-22                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-193                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-194           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-195                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-196                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-197           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-198                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-199                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-200           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-201                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-23                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-202                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-203           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-204                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-205                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-206           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-207                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-208                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-209           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-210                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-24                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-211                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-212           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-213                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-214                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-215           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-216                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-217                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-218           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-219                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-25                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-220                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-221           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-222                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-223                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-224           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-225                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-226                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-227           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-228                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-26                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-229                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-230           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-231                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-232                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-233           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-234                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-235                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-236           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-237                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-27                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-238                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-239           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-240                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-241                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-242           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-243                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-244                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-245           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-246                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-28                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-247                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-248           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-249                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-250                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-251           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-252                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-253                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-254           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-255                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-29                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-256                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-257           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-258                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-259                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-260           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-261                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-262                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-263           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-264                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-30                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-265                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-266           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-267                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-268                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-269           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-270                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-271                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-272           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-273                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-31                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-274                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-275           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-276                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-277                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-278           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-279                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-280                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-281           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-282                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-32                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-283                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-284           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-285                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-286                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-287           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-288                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-289                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-290           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-291                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-33                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-292                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-293           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-294                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-295                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-296           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-297                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-298                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-299           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-300                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-34                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-301                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-302           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-303                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-304                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-305           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-306                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-307                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-308           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-309                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-35                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-310                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-311           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-312                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-313                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-314           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-315                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-316                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-317           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-318                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-36                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-319                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-320           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-321                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-322                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-323           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-324                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-325                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-326           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-327                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-37                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-328                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-329           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-330                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-331                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-332           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-333                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-334                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-335           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-336                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-38                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-337                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-338           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-339                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-340                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-341           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-342                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-343                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-344           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-345                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-39                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-346                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-347           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-348                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-349                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-350           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-351                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-352                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-353           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-354                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-40                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-355                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-356           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-357                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-358                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-359           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-360                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-361                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-362           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-363                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-41                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-364                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-365           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-366                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-367                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-368           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-369                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-370                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-371           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-372                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-42                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-373                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-374           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-375                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-376                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-377           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-378                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-379                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-380           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-381                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-43                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-382                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-383           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-384                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-385                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-386           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-387                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-388                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-389           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-390                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-44                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-391                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-392           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-393                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-394                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-395           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-396                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-397                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-398           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-399                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-45                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-400                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-401           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-402                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-403                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-404           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-405                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-406                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-407           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-408                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-46                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-409                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-410           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-411                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-412                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-413           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-414                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-415                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-416           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-417                  [1, 1024, 14, 14]         --
│    └─Bottleneck: 2-47                  [1, 1024, 14, 14]         --
│    │    └─Conv2d: 3-418                [1, 256, 14, 14]          262,144
│    │    └─BatchNorm2d: 3-419           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-420                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-421                [1, 256, 14, 14]          589,824
│    │    └─BatchNorm2d: 3-422           [1, 256, 14, 14]          512
│    │    └─ReLU: 3-423                  [1, 256, 14, 14]          --
│    │    └─Conv2d: 3-424                [1, 1024, 14, 14]         262,144
│    │    └─BatchNorm2d: 3-425           [1, 1024, 14, 14]         2,048
│    │    └─ReLU: 3-426                  [1, 1024, 14, 14]         --
├─Sequential: 1-8                        [1, 2048, 7, 7]           --
│    └─Bottleneck: 2-48                  [1, 2048, 7, 7]           --
│    │    └─Conv2d: 3-427                [1, 512, 14, 14]          524,288
│    │    └─BatchNorm2d: 3-428           [1, 512, 14, 14]          1,024
│    │    └─ReLU: 3-429                  [1, 512, 14, 14]          --
│    │    └─Conv2d: 3-430                [1, 512, 7, 7]            2,359,296
│    │    └─BatchNorm2d: 3-431           [1, 512, 7, 7]            1,024
│    │    └─ReLU: 3-432                  [1, 512, 7, 7]            --
│    │    └─Conv2d: 3-433                [1, 2048, 7, 7]           1,048,576
│    │    └─BatchNorm2d: 3-434           [1, 2048, 7, 7]           4,096
│    │    └─Sequential: 3-435            [1, 2048, 7, 7]           2,101,248
│    │    └─ReLU: 3-436                  [1, 2048, 7, 7]           --
│    └─Bottleneck: 2-49                  [1, 2048, 7, 7]           --
│    │    └─Conv2d: 3-437                [1, 512, 7, 7]            1,048,576
│    │    └─BatchNorm2d: 3-438           [1, 512, 7, 7]            1,024
│    │    └─ReLU: 3-439                  [1, 512, 7, 7]            --
│    │    └─Conv2d: 3-440                [1, 512, 7, 7]            2,359,296
│    │    └─BatchNorm2d: 3-441           [1, 512, 7, 7]            1,024
│    │    └─ReLU: 3-442                  [1, 512, 7, 7]            --
│    │    └─Conv2d: 3-443                [1, 2048, 7, 7]           1,048,576
│    │    └─BatchNorm2d: 3-444           [1, 2048, 7, 7]           4,096
│    │    └─ReLU: 3-445                  [1, 2048, 7, 7]           --
│    └─Bottleneck: 2-50                  [1, 2048, 7, 7]           --
│    │    └─Conv2d: 3-446                [1, 512, 7, 7]            1,048,576
│    │    └─BatchNorm2d: 3-447           [1, 512, 7, 7]            1,024
│    │    └─ReLU: 3-448                  [1, 512, 7, 7]            --
│    │    └─Conv2d: 3-449                [1, 512, 7, 7]            2,359,296
│    │    └─BatchNorm2d: 3-450           [1, 512, 7, 7]            1,024
│    │    └─ReLU: 3-451                  [1, 512, 7, 7]            --
│    │    └─Conv2d: 3-452                [1, 2048, 7, 7]           1,048,576
│    │    └─BatchNorm2d: 3-453           [1, 2048, 7, 7]           4,096
│    │    └─ReLU: 3-454                  [1, 2048, 7, 7]           --
├─AdaptiveAvgPool2d: 1-9                 [1, 2048, 1, 1]           --
├─Linear: 1-10                           [1, 1000]                 2,049,000
==========================================================================================
Total params: 60,192,808
Trainable params: 60,192,808
Non-trainable params: 0
Total mult-adds (G): 11.51
==========================================================================================
Input size (MB): 0.60
Forward/backward pass size (MB): 360.87
Params size (MB): 240.77
Estimated Total Size (MB): 602.25
==========================================================================================

实现效果2

ResNet(
  (conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)
  (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (relu): ReLU(inplace=True)
  (maxpool): MaxPool2d(kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)
  (layer1): Sequential(
    (0): BasicBlock(
      (conv1): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
      (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    )
    (1): BasicBlock(
      (conv1): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
      (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    )
  )
  (layer2): Sequential(
    (0): BasicBlock(
      (conv1): Conv2d(64, 128, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
      (bn1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
      (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (downsample): Sequential(
        (0): Conv2d(64, 128, kernel_size=(1, 1), stride=(2, 2), bias=False)
        (1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      )
    )
    (1): BasicBlock(
      (conv1): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
      (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    )
  )
  (layer3): Sequential(
    (0): BasicBlock(
      (conv1): Conv2d(128, 256, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
      (bn1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
      (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (downsample): Sequential(
        (0): Conv2d(128, 256, kernel_size=(1, 1), stride=(2, 2), bias=False)
        (1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      )
    )
    (1): BasicBlock(
      (conv1): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
      (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    )
  )
  (layer4): Sequential(
    (0): BasicBlock(
      (conv1): Conv2d(256, 512, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
      (bn1): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
      (conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (downsample): Sequential(
        (0): Conv2d(256, 512, kernel_size=(1, 1), stride=(2, 2), bias=False)
        (1): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      )
    )
    (1): BasicBlock(
      (conv1): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn1): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
      (conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    )
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(1, 1))
  (fc): Linear(in_features=512, out_features=1000, bias=True)
)
L_egend_ing
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Pytorch 计算参数量与计算量Flops
jacke121的专栏
06-08 1万+
获取网络模型的每一层参数量与计算量（Flops）———Pytorch 一、前言 在现在AI各种技术需要luo地的时期，网络模型大小能够满足嵌入式平台极为重要，不仅仅需要看模型效果，也要看模型的计算量与参数，所以在评估模型的时候就要分析网络的参数量与计算量； 二、推荐pytorch工具 1、ptflops 安装： pip3 install --upgrade git+https://github.com/sovrasov/flops-counter....
22_CNN网络各种层的FLOPs和参数量paras计算1
08-03
ReLU激活函数的计算量与输入特征图大小无关，每个元素只需一次判断，所以FLOPs为输入特征图的元素数量。sigmoid函数每个输入需要进行4次运算，FLOPs为4*输入特征图的元素数量。 **参数量计算：** 参数量主要关注...
如何打印一个模型的总参数，训练参数量大小
薰珞婷紫小亭子的博客
03-18 649
已知一个模型的具体名称，python实现如果获取这个参数量的大小，以及训练参数大小。
Pytorch代码：打印模型每层的参数数量和总参数量
最新发布
Never Give Up
07-30 417
【代码】Pytorch代码：打印模型每层的参数数量和总参数量。
YOLOv8打印模型结构配置信息并查看网络模型详细参数：参数量、计算量（GFLOPS）
阿旭的博客
04-08 6987
YOLOv8打印模型结构配置信息并查看网络模型详细参数：参数量、计算量（GFLOPS）
打印模型参数量
Blue&boke
11-09 667
打印模型参数量
【pytorch】使用stat、profile打印网络的参数量、Flops、MAdd、内存使用的情况
magic_ll的博客
12-27 9814
pytorch获取网络的参数量、MAdd、Flops 安装工具：pip install torchstat 使用例子： import sys import torch import torch.nn as nn import numpy as np from thop import profile from torchstat import stat class Net(nn.Module): def __init__(self): super(Net, self).__ini
优雅打印PyTorch模型的总参数量、每层名称、尺寸与精度
SoulmateY的博客
01-08 1712
使用PyTorch进行深度学习训练时，经常需要打印模型结构，查看每一层的名称、尺寸、精度、参数量等等，并在最后计算总参数量。
Pytorch打印网络模型每一层参数
wacyy的博客
02-21 2128
安装第三方库torchsummary pip install torchsummary 导入库 from torchsummary import summary 获取pytorch模型参数情况 summary(model, input_size=(channels, height, width), batch_size=numbers) 其中，channels是输入张量的channels数，height是输入张量的高，width是输入张量的宽，numbers是模型的batchsize数。 .
pytorch模型可视化的方法总结，（参数量内存，特征图内存），FLOPs和Parameters
tony365的博客
09-09 3849
这里主要介绍pytorch 模型的网络结构的可视化以 SRCNN 为例子来说明可视化的方法，以及参数量的计算。
在Pytorch中计算自己模型的FLOPs方式
09-18
在深度学习领域，模型的复杂度是评估其计算效率的重要指标之一，FLOPs（Floating Point Operations per Second）就是衡量这种复杂度的标准。FLOPs是浮点运算次数，它统计了一个模型在处理输入数据时执行的基本数学...
PyTorch和Keras计算模型参数的例子
09-18
这个函数会打印出模型的结构，包括每一层的参数数量，以及模型的总参数数。例如： ```python from keras.models import Sequential from keras.layers import Dense # 创建一个简单的模型 k_model = Sequential() ...
高效轻量级深度学习模型设计.pdf
12-25
这不仅与理论计算量相关，还受到计算/访存比、模块并行度和设备特性/实现效率等因素的影响。为了提高执行速度，可以遵循以下规则：卷积的输入输出通道数应尽可能接近，分组卷积要谨慎使用，网络碎片要尽量减少，逐...
pytorch统计模型的参数量
升级迭代
06-16 854
【代码】pytorch统计模型的参数量。
pytorch打印模型参数，冻结训练等操作
yanghao201607030101的博客
12-23 5062
import torch.optim as optim import torch import torchvision.models as models device=torch.device("cuda" if torch.cuda.is_available() else "cpu") model=models.resnet50(pretrained=False).to(device) optimizer=optim.Adam(model.parameters(),0.01) scheduler = op
Pytorch 中打印网络结构及其参数的方法与实现
like_jmo的博客
09-17 8937
pytorch 中打印网络结构及其参数的方法与实现
模型性能参数
栋哥修炼日记
05-09 902
一、pytorch使用stat打印网络的参数量==在PC上 #使用官方的模型 import torch import torchvision #或者测试自己搭建的模型 from model_v2 import MobileNetV2 from model_v3 import mobilenet_v3_small,mobilenet_v3_large from ptflops import get_model_complexity_info from model_v1 import MobileNet_V
关于mmdetection、mmrotate如何计算参数量、计算量和速度FPS
热门推荐
weixin_40493382的博客
12-09 1万+
而有人会问Flops与GFLOPs的区别，简单来说， GFLOPs是与你的硬件配置有关，可以理解为日常生活中常用的单位：kg、m等单位，这里不必关心。而Flops就是你的模型计算量了，这里数字越大代表计算量越大。前面这一串 -m torch.distributed.launch --nproc_per_node=1 --master_port=29500 代表分布式的参数，不必深究。近几天跑完实验后，发现效果还是不错，于是开始进行模型的参数量、计算量和速度指标的计算对比，话不多说，直接上干货。
mmsegmentation 计算参数量（params）和计算量（ FLOPs）
DZY的博客
01-27 2188
mmsegmentation 计算参数量（params）和计算量（ FLOPs） 这命令输入了好几次都错了，容易忘，记录一下用法。
ShuffleNetV1：深度学习模型轻量化解析
Pointwise Group Convolution类似于MobileNet的逐深度卷积，将卷积核分为多个组，每组处理一部分通道，从而减少参数量和计算量。然而，不同组之间的特征图是孤立的，可能导致信息丢失。为此，ShuffleNet引入了...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值