Parameters Torch7，如何计算convNet中的参数数

我正在寻找一种方法来计算卷积神经网络中的参数数量。特别是，我在中使用了Resnet模型。 您知道是否有任何函数可以计算参数的总数吗？你还有其他建议吗？

---

提前谢谢

基本上，您必须遍历网络的每一层，并计算该层中的参数数量。下面是一个示例函数：

-- example model to be fed to the function
model = nn.Sequential()
model:add(nn.SpatialConvolution(3,12,1,1))
model:add(nn.Linear(2,3))
model:add(nn.ReLU())

function countParameters(model)
local n_parameters = 0
for i=1, model:size() do
   local params = model:get(i):parameters()
   if params then
     local weights = params[1]
     local biases  = params[2]
     n_parameters  = n_parameters + weights:nElement() + biases:nElement()
   end
end
return n_parameters
end

---

如果要在

torch

中训练网络，必须首先提取其参数向量和梯度向量w.r.t。这些参数（都是1D张量）：

完成后，很容易获得可学习的参数数：

n_params = params:size(1)

---

除了已经回答的问题之外，如果您只想在层级别计算网络的参数数量，那么最好使用

params, gradParams = net:parameters()
print(#params)

而不是

getParameters（）

（返回平坦的长张量）

---

函数

parameters（）

在您需要分层设置不同的学习速率时非常有用。

我认为有一个特定的函数可以实现这一点，但我找不到。非常感谢你的帮助！如果你觉得这个答案有帮助，你介意把它标记为正确答案吗？这会提高我的声誉。

params, gradParams = net:parameters()
print(#params)