如何计算一个深度学习模型中的参数量、运算量，占用内存，占用显存

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

提示：这里可以添加本文要记录的大概内容：

想要优化一个深度学习算法，那么首先要弄清的四个内容便是他的参数量，运算量，运算时的占用内存，占用显存，最后再考虑用什么样的方式去优化，该在哪里优化。

提示：以下是本篇文章正文内容，下面案例可供参考

一、模型所用参数

#示例：flownet为一个深度学习模型
            params = self.flownet.parameters()
            num_params = 0
            for param in params:
                num_params += torch.prod(torch.tensor(param.size()))
            print('模型参数量:', num_params)

首先用nn.Module继承来的函数获取模型参数params，然后param.size()返回参数的维度，torch.prod()计算这些维度的乘积，从而得到单个参数的总元素数量。

二、计算复杂度分析(FLOPs)

#pip install ptflops
from ptflops import get_model_complexity_info
from torchvision.models import resnet50
model = resnet50()
flops, params = get_model_complexity_info(model, (3, 224, 224), as_strings=True, print_per_layer_stat=True)
print('Flops:  ' + flops)
print('Params: ' + params)

三、占用内存

四、占用显存

可以使用Nvida-smi进行监测