torchsummary的用法

最新推荐文章于 2024-07-08 15:57:37 发布
最新推荐文章于 2024-07-08 15:57:37 发布
阅读量4k 收藏 7
点赞数 3
文章标签： pytorch 网络结构
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/weixin_41790863/article/details/123728195
版权

torchsummary的用法

summary可以打印出网络结构和参数

from torchsummary import summary
from torchvision.models import resnet18

model = resnet18()
summary(model, input_size=[(3, 256, 256)], batch_size=2, device="cpu")

结果：

----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
            Conv2d-1          [2, 64, 128, 128]           9,408
       BatchNorm2d-2          [2, 64, 128, 128]             128
              ReLU-3          [2, 64, 128, 128]               0
         MaxPool2d-4            [2, 64, 64, 64]               0
            Conv2d-5            [2, 64, 64, 64]          36,864
       BatchNorm2d-6            [2, 64, 64, 64]             128
              ReLU-7            [2, 64, 64, 64]               0
            Conv2d-8            [2, 64, 64, 64]          36,864
       BatchNorm2d-9            [2, 64, 64, 64]             128
             ReLU-10            [2, 64, 64, 64]               0
       BasicBlock-11            [2, 64, 64, 64]               0
           Conv2d-12            [2, 64, 64, 64]          36,864
      BatchNorm2d-13            [2, 64, 64, 64]             128
             ReLU-14            [2, 64, 64, 64]               0
           Conv2d-15            [2, 64, 64, 64]          36,864
      BatchNorm2d-16            [2, 64, 64, 64]             128
             ReLU-17            [2, 64, 64, 64]               0
       BasicBlock-18            [2, 64, 64, 64]               0
           Conv2d-19           [2, 128, 32, 32]          73,728
      BatchNorm2d-20           [2, 128, 32, 32]             256
             ReLU-21           [2, 128, 32, 32]               0
           Conv2d-22           [2, 128, 32, 32]         147,456
      BatchNorm2d-23           [2, 128, 32, 32]             256
           Conv2d-24           [2, 128, 32, 32]           8,192
      BatchNorm2d-25           [2, 128, 32, 32]             256
             ReLU-26           [2, 128, 32, 32]               0
       BasicBlock-27           [2, 128, 32, 32]               0
           Conv2d-28           [2, 128, 32, 32]         147,456
      BatchNorm2d-29           [2, 128, 32, 32]             256
             ReLU-30           [2, 128, 32, 32]               0
           Conv2d-31           [2, 128, 32, 32]         147,456
      BatchNorm2d-32           [2, 128, 32, 32]             256
             ReLU-33           [2, 128, 32, 32]               0
       BasicBlock-34           [2, 128, 32, 32]               0
           Conv2d-35           [2, 256, 16, 16]         294,912
      BatchNorm2d-36           [2, 256, 16, 16]             512
             ReLU-37           [2, 256, 16, 16]               0
           Conv2d-38           [2, 256, 16, 16]         589,824
      BatchNorm2d-39           [2, 256, 16, 16]             512
           Conv2d-40           [2, 256, 16, 16]          32,768
      BatchNorm2d-41           [2, 256, 16, 16]             512
             ReLU-42           [2, 256, 16, 16]               0
       BasicBlock-43           [2, 256, 16, 16]               0
           Conv2d-44           [2, 256, 16, 16]         589,824
      BatchNorm2d-45           [2, 256, 16, 16]             512
             ReLU-46           [2, 256, 16, 16]               0
           Conv2d-47           [2, 256, 16, 16]         589,824
      BatchNorm2d-48           [2, 256, 16, 16]             512
             ReLU-49           [2, 256, 16, 16]               0
       BasicBlock-50           [2, 256, 16, 16]               0
           Conv2d-51             [2, 512, 8, 8]       1,179,648
      BatchNorm2d-52             [2, 512, 8, 8]           1,024
             ReLU-53             [2, 512, 8, 8]               0
           Conv2d-54             [2, 512, 8, 8]       2,359,296
      BatchNorm2d-55             [2, 512, 8, 8]           1,024
           Conv2d-56             [2, 512, 8, 8]         131,072
      BatchNorm2d-57             [2, 512, 8, 8]           1,024
             ReLU-58             [2, 512, 8, 8]               0
       BasicBlock-59             [2, 512, 8, 8]               0
           Conv2d-60             [2, 512, 8, 8]       2,359,296
      BatchNorm2d-61             [2, 512, 8, 8]           1,024
             ReLU-62             [2, 512, 8, 8]               0
           Conv2d-63             [2, 512, 8, 8]       2,359,296
      BatchNorm2d-64             [2, 512, 8, 8]           1,024
             ReLU-65             [2, 512, 8, 8]               0
       BasicBlock-66             [2, 512, 8, 8]               0
AdaptiveAvgPool2d-67             [2, 512, 1, 1]               0
           Linear-68                  [2, 1000]         513,000
================================================================
Total params: 11,689,512
Trainable params: 11,689,512
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 1.50
Forward/backward pass size (MB): 164.02
Params size (MB): 44.59
Estimated Total Size (MB): 210.12
----------------------------------------------------------------
一直特立独行的猫1994
关注
torchsummary的使用
群星闪耀的博客
05-12 5318
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
torchsummary用法
weixin_50508552的博客
06-05 1753
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。
在 PyTorch 中，可以使用 `torchsummary` 库来获得类似于 TensorFlow 中 `model.summary()` 的清晰直观的模型摘要。显示模型的总体结构、每层的参数等
qlkaicx的博客
07-08 684
下面是一个使用# 定义一个简单的模型return x# 实例化模型# 使用 torchsummary 显示模型摘要在 PyTorch 中，库提供了类似于 TensorFlow的功能，能够直观地显示模型结构和参数。这对于快速了解模型的组成和调试非常有用。重点内容安装库：使用安装。使用summary()函数：显示模型的结构和参数。通过使用，PyTorch 用户可以获得与 TensorFlow 用户类似的便捷体验，从而更高效地进行深度学习模型的开发和调试。
torch中的summary
weixin_42618420的博客
03-23 1573
torch中的summary的使用
pytorch学习005- -torchsummary的使用
SigMap
01-23 1847
torchsummary的使用使用流程安装导入使用官方说明demo 建议查看官方demo -->github 使用流程 安装 pip install torchsummary 导入 from torchsummary import summary 使用 # 参数说明 summary(your_model, input_size=(channels, H, W)) myNet = NET() #NET为自己定义的网络模型 data = [(3, 100, 100), (3, 100, 100),
torchsummary-1.3.tar.gz
07-01
TorchSummary 提供了简洁的方法来集成 TensorBoard，这是 TensorFlow 的一个可视化工具，也可以与 PyTorch 一起使用。通过 TensorBoard，开发者可以实时监控损失函数(loss)、精度(accuracy)以及其他关键指标，有助于...
torchsummary-1.4.tar.gz
07-01
本文将深入探讨torchsummary-1.4版本的功能、用法以及其在实际项目中的应用。 一、torchsummary简介 torchsummary是基于Python的PyTorch库，主要功能是提供模型的损失和中间层激活值的可视化。它通过集成...
torchsummary-1.5.1.tar.gz
07-01
本文将深入探讨TorchSummary 1.5.1版本的主要功能、用法以及它如何提升深度学习开发的效率。 TorchSummary是Python中的一个轻量级库，主要功能是提供简洁的接口，用于在TensorBoard中展示神经网络模型的摘要信息。...
torchsummary-1.5.tar.gz
07-01
TorchSummary 提供了一种方法来概述模型的结构，包括权重大小、形状等信息，并通过 TensorBoard 进行可视化。TensorBoard 是 TensorFlow 的一部分，但也可以与 PyTorch 配合使用，提供丰富的图表和日志，用于监测和...
pytorch 笔记：torchsummary、计算模型参数量
qq_40206371的博客
09-29 3887
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-CSDN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( .
常用组件详解（二）：torchsummary
悟兰因的博客
06-30 1237
库是一个好用的模型可视化工具，用于帮助开发者把握每个网络层级的细节，包括其中的连接和维度。表示输入数据的大小。约等于0.19MB。
pytorch实用工具：torchsummary、torchsnooper、显示tensor的vutils
yangdeshun888的博客
02-01 2万+
一. torchsummmary工具： 其主要是用来计算网络的计算参数等信息的，其大概的流程为： 安装指令： pip install torchsummary 使用方法： import torch, torchvision model = torchvision.models.vgg model = torchvision.models.vgg16() from torchsum...
【模型复杂度】torchsummary、torchstat和profile的使用
qq_43426908的博客
04-24 2805
模型的复杂度分析也是不同模型比较的重要指标，包括模型参数、浮点运算次数（Floating point operations，FLOPs），内存占用和运存占用等，记录一下可以评价模型复杂度的方法。
torch.summary打印出神经网络的形状和参数大小，及AdaptiveAvgPool2d
钱多多先森
11-23 6979
网络整体流向 在ResNet类中的forward( )函数规定了网络数据的流向： （1）数据进入网络后先经过输入部分（conv1, bn1, relu, maxpool）； （2）然后进入中间卷积部分（layer1, layer2, layer3, layer4，这里的layer对应我们之前所说的stage）； （3）最后数据经过一个平均池化和全连接层（avgpool, fc）输出得到结果； 具体来说，resnet50和其他res系列网络的差异主要在于layer1~layer4，其他的部件都是..
torchsummary库的使用
kuailezzf的博客
01-22 1329
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 网络可视化(一)：torchsummary
热门推荐
书山有路，学海无涯！
07-06 4万+
安装 torchsummary 在 Anaconda prompt 中进入自己的 pytorch 环境，安装依赖包。 pip install torchsummary 具体如下所示（其中 pytorch-cpu 是我自己的 pytorch 环境）: 测试是否下载成功 安装完成后运行 python 进入交互式环境，导入 torchsummary, 不报错的话就是安装成功了。 输出网络结构 完成以上步骤后，进入自己的 python编辑环境，运行如下代码。 from torchsummary import
多参数时Torchsummary的使用方法
kakangel的博客
05-21 1588
Torchsummary是深度学习中常用的一款用来描述网络结构和各层参数的工具。在构建网络模型的时候，我们可以通过它来检查网络模型中的各项参数是否正确，进一步，是否能够给出正确维度的输出信息。对于网络模型的输入信息来说，除了传统的单一输入，还有多输入的网络模型。
pip安装torchsummary
最新发布
09-09
pip安装torchsummary是一种在Python中快速安装和使用torchsummary库的方法。torchsummary是一个用于总结和显示PyTorch模型结构的工具，它类似于Keras中的模型摘要功能。使用torchsummary，可以方便地查看模型的层、输出尺寸、参数数量以及非参数数量等信息。 安装torchsummary之前，确保你的计算机上已经安装了Python和pip包管理器。然后，打开命令行工具，输入以下命令进行安装： ```bash pip install torchsummary ``` 安装完成后，可以在Python脚本中导入torchsummary，并使用它来打印模型的摘要： ```python from torchsummary import summary from torchvision.models import resnet18 # 创建模型实例 model = resnet18(pretrained=False) # 打印模型摘要信息 summary(model, input_size=(3, 224, 224)) ``` 这段代码会输出一个名为resnet18的模型的详细结构，其中input_size参数代表输入数据的形状，对于resnet18模型，通常是一个3通道的224x224的图像。
评论 4
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