Neural network 如何计算tensorflow模型中可训练参数的总数？

是否有函数调用或其他方法来计算tensorflow模型中的参数总数

---

通过参数，我的意思是：可训练变量的N维向量有N个参数，

NxM

矩阵有

N*M

参数，等等。所以本质上，我想求一个tensorflow会话中所有可训练变量的形状维度的乘积之和。

循环

tf.trainable\u variables（）中每个变量的形状

---

更新：我写了一篇文章来澄清Tensorflow中的动态/静态形状，因为这个答案：

不确定给定的答案是否实际运行（我发现需要将dim对象转换为int才能工作）。下面是一个可行的方法，您可以复制粘贴函数并调用它们（还添加了一些注释）：

---

2020年4月更新：tfprof和探查器UI已被弃用，取而代之的是

---

如果你想自己计算参数的数量，那么现有的两个答案是好的。如果你的问题更像是“有没有一种简单的方法来分析我的TensorFlow模型？”的话，我强烈建议你研究一下。它描述了您的模型，包括计算参数的数量。

我将加入我的等效但较短的实现：

def count_params（）：
“打印可训练变量的数量”
大小=λv:reduce（λx，y:x*y，v.get_shape（）.as_list（））
n=总和（可训练变量（）中v的大小（v））
打印“型号尺寸：%dK”%（n/1000）

我有一个更短的版本，使用numpy的单线解决方案：

np.sum([np.prod(v.get_shape().as_list()) for v in tf.trainable_variables()])

---

如果一个人倾向于避免numpy（许多项目可能会忽略它），那么：

这是Julius Kunze先前回答的TF翻译

与任何TF操作一样，它需要运行会话来评估：

print(sess.run(all_trainable_vars))

型号：“顺序_32”

---

图层（类型）输出形状参数# conv2d_88（conv2d）（无、240、240、16）448

---

最大池2D池87（最大池（无、120、120、16）0

---

conv2d_89（conv2d）（无、120、120、32）4640

---

最大池2D_88（最大池（无、60、60、32）0

---

conv2d_90（conv2d）（无、60、60、64）18496

---

最大池2D_89（最大池（无、30、30、64）0

---

展平29（展平）（无，57600）0

---

辍学（辍学）（无，57600）0

---

致密150（致密）（无，24）1382424

---

密集型_151（密集型）（无，9）225

---

密集型_152（密集型）（无，3）30

---

密集型_153（密集型）（无，1）4 总参数：1406267 可培训参数：1406267 不可训练参数：0

---

---

如果您有多个模型，

tf.trainable_variables（）

如何知道使用哪一个？tf.trainable_variables（）返回当前图形中存在的所有标记为可训练的变量。如果当前图形中有多个模型，则必须使用年份名称手动筛选变量。例如If variable.name.strartswith（“model2”）：…此解决方案给出了错误“发生异常：无法将'int'对象隐式转换为str”。您需要将'dim'显式转换为'int'，正如下面答案中建议的那样（我认为这是正确的答案），非常有用，在TF2中，这似乎已更改为tf.compat.v1.trainable_variables（）！但随后返回0个参数！答案确实有效（r0.11.0）。你的是更多的即插即用：）@f4。这似乎有一个bug，因为

y

似乎没有被使用。@CharlieParker我几秒钟前就修复了它；）@f4。它仍然不能真正解决我试图解决的问题（或者原作者打算用y作为输入）因为我在寻找一个依赖于作为输入的模型（即

y

）的函数。现在，我不知道它到底算什么。我怀疑它只算所有模型（我有两个单独的模型）@CharlieParker它计算所有可训练的变量，默认情况下，我相信所有变量都是可训练的。你可以使用变量属性，如图形或名称来计算。你的问题描述和标题不匹配（除非我混淆了图形和模型的术语）。在这个问题中，你问的是一个图形和一个模型的标题。如果你有两个不同的模型呢？我建议在这个问题上澄清这一点。如果你使用Keras相关：在我的版本中，v没有shape_as_list（）函数，只有get_shape（）函数，我认为早期版本没有。shape但是get_shape（）。更新了我的答案。无论如何，我写了v.shape.as_list（），而不是v.shape_as_list（）。

np.sum（[np.prod（v.shape）表示tf.trainable_variables（）中的v）

在TensorFlow 1.2中也能正常工作

tfprof

链接已断开。由于编辑队列已满，这里是。同样，对于

tfprof

，已弃用。这是Keras，而不是TensorFlow；问题显然是关于TensorFlow模型，而不是Keras模型。

np.sum([np.prod(v.get_shape().as_list()) for v in tf.trainable_variables()])

all_trainable_vars = tf.reduce_sum([tf.reduce_prod(v.shape) for v in tf.trainable_variables()])

print(sess.run(all_trainable_vars))

model.summary()