简单2招GET模型参数量计算和输入尺寸随卷积大小变化推导

编程入门行业动态更新时间:2024-10-27 18:31:32

简单2招GET模型参数量计算和输入尺寸随<a href=https://www.elefans.com/category/jswz/34/1765938.html style= 卷积大小变化推导"/>

简单2招GET模型参数量计算和输入尺寸随卷积大小变化推导

本文将介绍两种简单且实用的方法，用于计算深度学习模型的参数量，并推导了输入尺寸随卷积大小的变化过程。这些方法可以帮助读者更好地理解模型的复杂度和输入尺寸的变化，为模型设计和优化提供指导。

比如论文中，通常会比较几种模型的参数量

又比如在设计模型时，需要确定我们的输入尺寸大小是否合适，以及想经过每个卷积层后尺寸的变化。我们想看到下面的信息👇

基本上每个项目我都会过一遍这些信息，更好的掌握模型。

方法一：直接计算

对于卷积神经网络（CNN）中的每一层，我们需要考虑卷积核的大小、输入通道数、输出通道数以及偏置项的数量。以一个卷积层为例，该层的参数量可以通过以下公式计算：

参数量 = 卷积核高度 × 卷积核宽度 × 输入通道数 × 输出通道数 + 输出通道数

对于整个模型来说，我们只需要将所有层的参数量相加即可得到总参数量。

该代码是一个 Python 函数，用于打印 PyTorch 模型的可训练参数数量，并且可以选择是否打印该模型的网络结构。以下是该函数的完整代码：

def print_networks(model, verbose):"""Print the total number of parameters in the network and (if verbose) network architectureParameters:model (torch.nn.Module): 要打印的PyTorch模型verbose (bool): 是否打印模型的网络结构"""# 打印模型总参数数量num_params = sum(p.numel() for p in model.parameters() if p.requires_grad)print(f"Number of trainable parameters in the model: {num_params}, {num_params / 1e6:.3f} M")# 如果需要，打印模型的网络结构if verbose:print(model)

下面是函数的参数和使用说明：

model：要打印的 PyTorch 模型。
verbose：布尔值，指定是否打印模型的网络结构。

使用时，把 model 作为函数的第一个参数传递给该函数。如果要打印模型的网络结构，可以将 verbose 参数设置为 True；否则，将其设置为 False。

该函数计算模型的可训练参数数量并将其打印到屏幕上，总参数数量有两种显示方法。如果 verbose 参数为 True，则还将打印模型的网络结构。

举例：

from monaiworkss import UNet
model = UNet(spatial_dims=3,in_channels=1,out_channels=1,channels=(4, 8, 16, 32, 64),strides=(2, 2, 2, 2),)
print_networks(model, verbose=True)

方法二：调用三方工具

手动计算模型的参数数量和输出形状是一项繁琐而容易出错的任务。为了解决这个问题，我们可以使用torchsummary库来自动打印模型的详细信息，包括每个层的类型、输出形状以及参数数量。本文将介绍如何使用torchsummary库打印UNet模型的详细信息，并解释每个输出所代表的含义。

使用 torchsummary 库打印 model 详细信息,如果没有，用下面语句进行安装
pip install torchsummary

使用举例：

from torchsummary import summary
model = UNet(spatial_dims=3,in_channels=1,out_channels=1,channels=(4, 8, 16, 32, 64),strides=(2, 2, 2, 2),)
summary(model, (1, 128, 128, 96), device='cpu')

在这段代码中，首先导入了 summary 函数，然后创建了一个 UNet 模型，接下来，调用 summary 函数来打印模型的详细信息。summary 函数的第一个参数是要打印信息的模型，第二个参数是输入数据的尺寸，这里是一个 4 维的张量，表示批次大小为 1，高度为 128，宽度为 128，深度为 96 的图像。最后，通过设置 device=‘cpu’ 来指定使用 CPU 运行模型。

运行这段代码后，summary 函数会打印出模型的总参数数量、每个层的输出形状，以及模型参数的统计信息，如下所示：