深度學(xué)習(xí)中,模型訓(xùn)練完后,查看模型的參數(shù)量和浮點(diǎn)計(jì)算量,在此記錄下:
1 THOP
在pytorch中有現(xiàn)成的包thop用于計(jì)算參數(shù)數(shù)量和FLOP,首先安裝thop:
注意安裝thop時(shí)可能出現(xiàn)如下錯(cuò)誤:
解決方法:
pip install --upgrade git+https://github.com/Lyken17/pytorch-OpCounter.git # 下載源碼安裝
使用方法如下:
from torchvision.models import resnet50 # 引入ResNet50模型
from thop import profile
model = resnet50()
flops, params = profile(model, input_size=(1, 3, 224,224)) # profile(模型,輸入數(shù)據(jù))
對(duì)于自己構(gòu)建的函數(shù)也一樣,例如shuffleNetV2
from thop import profile
from utils.ShuffleNetV2 import shufflenetv2 # 導(dǎo)入shufflenet2 模塊
import torch
model_shuffle = shufflenetv2(width_mult=0.5)
model = torch.nn.DataParallel(model_shuffle) # 調(diào)用shufflenet2 模型,該模型為自己定義的
flop, para = profile(model, input_size=(1, 3, 224, 224),)
print("%.2fM" % (flop/1e6), "%.2fM" % (para/1e6))
更多細(xì)節(jié),可參考thop GitHub鏈接: https://github.com/Lyken17/pytorch-OpCounter
2 計(jì)算參數(shù)
pytorch本身帶有計(jì)算參數(shù)的方法
from thop import profile
from utils.ShuffleNetV2 import shufflenetv2 # 導(dǎo)入shufflenet2 模塊
import torch
model_shuffle = shufflenetv2(width_mult=0.5)
model = torch.nn.DataParallel(model_shuffle)
total = sum([param.nelement() for param in model.parameters()])
print("Number of parameter: %.2fM" % (total / 1e6))
補(bǔ)充:pytorch: 計(jì)算網(wǎng)絡(luò)模型的計(jì)算量(FLOPs)和參數(shù)量(Params)
計(jì)算量:
FLOPs,F(xiàn)LOP時(shí)指浮點(diǎn)運(yùn)算次數(shù),s是指秒,即每秒浮點(diǎn)運(yùn)算次數(shù)的意思,考量一個(gè)網(wǎng)絡(luò)模型的計(jì)算量的標(biāo)準(zhǔn)。
參數(shù)量:
Params,是指網(wǎng)絡(luò)模型中需要訓(xùn)練的參數(shù)總數(shù)。
第一步:安裝模塊(thop)
第二步:計(jì)算
import torch
from thop import profile
net = Model() # 定義好的網(wǎng)絡(luò)模型
input = torch.randn(1, 3, 112, 112)
flops, params = profile(net, (inputs,))
print('flops: ', flops, 'params: ', params)
注意:
輸入input的第一維度是批量(batch size),批量的大小不回影響參數(shù)量, 計(jì)算量是batch_size=1的倍數(shù)
profile(net, (inputs,))的 (inputs,)中必須加上逗號(hào),否者會(huì)報(bào)錯(cuò)
以上為個(gè)人經(jīng)驗(yàn),希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教。
您可能感興趣的文章:- PyTorch里面的torch.nn.Parameter()詳解
- Pytorch之parameters的使用
- Pytorch模型中的parameter與buffer用法