Pytorch 计算模型FLOPs 和 参数量(两种方法)

最新推荐文章于 2024-04-29 20:15:00 发布
最新推荐文章于 2024-04-29 20:15:00 发布
阅读量5.1k 收藏 32
点赞数 10
文章标签： pytorch 神经网络 深度学习
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/qq_42530347/article/details/115659828
版权

项目场景：

Pytorch 框架中，计算深度神经网络的 FLOPS 和 参数量

解决方案：

方法一：
利用thop
1.安装thop

pip install thop

2.计算

@hye
      from thop import profile
      flops, params = profile(net, (input, ))

net: 需要计算的模型
input: 输入的样本

方法二：
利用torchsummaryX
1.安装torchsummaryX

pip install torchsummaryX

2.计算

@hye
      from torchsummaryX import summary
      summary(net, input)

net: 需要计算的模型
input: 输入的样本

hye0501
关注
  • 10
    点赞
  • 踩
  • 32
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
Pytorch计算模型的参数量和计算量
weixin_44239195的博客
11-30 2550
1. 安装 thop 1.1 常规安装 pip install thop 1.2 若上述安装方式错误，可以参考以下方式： pip install thop-i http://pypi.douban.com/simple --trusted-host pypi.douban.com 参考：https://editor.csdn.net/md/?articleId=106466047 2. 使用thop计算参数量和计算量 ### 基本用法 from nets.yolo4 import YoloBody #
画pytorch模型图,以及参数计算的方法
12-31
但是pytorch中好像没有这样一个api让我们直观的看到模型的样子。但是有网友提供了一段代码，可以把模型画出来，对我来说简直就是如有神助啊。 话不多说，上代码吧。 import torch from torch.autograd import ...
pytorch计算module的参数量
qq_37025073的博客
06-13 579
import torch conv = torch.nn.Conv2d(1,8,(2,3)) bn = torch.nn.bBatchNorm2d(8) l = [conv,bn] for module in l: params = 0 for param_ in module.parameters(): print(param_) params += param_.view(-1).size(0) print(module,params) 可以看到
使用pytorch计算模型的参数量和计算量
qq_45128278的博客
05-10 1677
计算自带模型的例子 from torchvision.models import resnet50 import torch import torchvision.models as models import argparse import vgg import torch.nn as nn import torch.nn.parallel from ptflops import get_model_complexity_info model = models.resnet50() #调用官方的模型
深度学习——Pytorch模型统计FLOPs，MACs和Params评估参数
最新发布
qq_40280673的博客
04-29 3425
FLOPs（Floating point operations per second）是指每秒浮点运算次数，MACs （Multiply-Accumulate Operations）是指乘加操作的次数，Params（Parameters）是指模型的参数数量。这三个指标可以用来衡量模型的复杂度，即模型计算量的大小。
pytorch得到模型的计算量和参数量
qq_35407318的博客
10-29 1万+
文章目录方法1方法2方法3方法4 方法1 pytorch自带方法，计算模型参数总量 total = sum([param.nelement() for param in model.parameters()]) print("Number of parameter: %.2fM" % (total/1e6)) 方法2 计算模型参数总量和模型计算量 def count_params(model, input_size=224): # param_sum = 0 with open('
Pytorch 中的Summary和FLOPs统计 使用窍门
不断学习
03-28 2637
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计算模型的参数量及FLOPs
Blankit1的博客
05-13 1698
方法一：使用thop包的profile方法 import torch from thop import profile from torchvision import models model = models.resnet50(pretrained=False) img = torch.zeros((1, 3, image_height, image_width)) flops, params = profile(model, inputs=(img,), verbose=False) resnet50
Pytorch 获取模型 Params/FLOPS
绿色羽毛
03-16 3170
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：
查模型的参数Param和浮点计算量FLOPs
weixin_63880793的博客
05-27 648
from torchstat import stat # 导入模型，输入一张输入图片的尺寸 stat(model, (1, 28, 28))
在Pytorch中计算自己模型的FLOPs方式
09-18
在PyTorch中，我们可以使用第三方库thop（又名torchprofile）来计算自定义模型的FLOPs，以便更好地理解和优化模型的性能。 首先，让我们详细了解一下如何安装和使用thop库。安装thop非常简单，只需要在命令行或终端...
PyTorch和Keras计算模型参数的例子
09-18
今天我们将深入探讨如何在PyTorch和Keras中计算模型参数。 在PyTorch中，模型的参数是以`torch.nn.Parameter`对象的形式存储的，这些参数可以被优化器更新。要获取模型的总参数数和可训练参数数，我们可以编写如下...
pytorch 实现打印模型的参数值
12-23
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...
pytorch获取模型某一层参数名及参数值方式
09-18
在PyTorch中，操作和理解模型的参数是深度学习模型开发和调试的关键步骤。本文将详细介绍如何在PyTorch中获取模型某一层的参数名和参数值，这对于调整模型、检查权重或进行可视化非常有用。 1. **获取模型参数** ...
pytorch模型存储的2种实现方法
12-20
本篇文章将详细介绍两种常用的PyTorch模型存储方法。 ### 1. 保存整个网络结构信息和模型参数信息 使用`torch.save(model_object, ‘./model.pth’)`可以将整个网络模型（包括结构和参数）保存到磁盘。这种方法的...
pytorch构建网络模型的4种方法
12-25
利用pytorch来构建网络模型有很多种方法，以下简单列出其中的四种。 假设构建一个网络模型如下： 卷积层–》Relu层–》池化层–》全连接层–》Relu层–》全连接层 首先导入几种方法用到的包： import torch ...
【Deep Learning】计算PyTorch模型的FLOPs
pangpd的博客
09-10 9804
1. 衡量深度学习模型重量级的指标 参数量： CNN: 一个卷积核的参数 = kkCin+1 一个卷积层的参数 = (一个卷积核的参数)卷积核数目=kkCinCout+Cout FLOPS: 注意全大写，是floating point operations per second的缩写，意指每秒浮点运算次数，理解为计算速度。是一个衡量硬件性能的指标。 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。
PyTorch中FLOPs计算问题
qq_38596190的博客
02-05 3843
FLOPs thop profile MACs PyTorch
Pytorch中计算自己模型的FLOPs | thop.profile() 方法 | yolov5s 网络模型参数量、计算量统计
热门推荐
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
02-07 2万+
Pytorch中计算自己模型的FLOPs pytorch-OpCounter GitHub 主页： https://github.com/Lyken17/pytorch-OpCounter pip install thop 运行该项目评估代码 python benchmark/evaluate_famous_models.py 运行输出如下 Model Params(M) FLOPs(G)
pytorch计算模型参数量
02-19
PyTorch是一个流行的深度学习框架，可以用于构建和训练神经网络模型。计算模型参数量是评估模型复杂度和性能的重要指标之一。在PyTorch中，可以使用`torchsummary`库来计算模型参数量。 首先，确保你已经安装了`torchsummary`库。可以使用以下命令进行安装： ``` pip install torchsummary ``` 接下来，我们可以通过以下步骤来计算模型参数量： 1. 导入所需的库： ```python import torch from torchsummary import summary ``` 2. 定义模型： ```python import torch.nn as nn class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1) self.conv2 = nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1) self.fc1 = nn.Linear(128 * 7 * 7, 256) self.fc2 = nn.Linear(256, 10) def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = x.view(x.size(0), -1) x = self.fc1(x) x = self.fc2(x) return x model = MyModel() ``` 这是一个简单的卷积神经网络模型。 3. 使用`summary`函数计算模型参数量： ```python summary(model, (3, 224, 224)) ``` 这里的`(3, 224, 224)`是输入张量的形状。 运行以上代码后，你将会得到一个模型参数量的总结，包括每一层的输出形状和参数量。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
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