本文主要是介绍使用torchkeras打印Pytorch模型结构和基本参数信息，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
在使用Pytorch构建神经网络模型后，我们需要看一下自己写的模型的网络结构，此时可以使用torchkeras模块中的summary函数实现该功能。以多层感知机为例，首先我们构建网络结构并打印该模型的初步信息，代码如下：
import torch
from torch import nn
from torchkeras import summarydef create_net():net = nn.Sequential()net.add_module('linear1', nn.Linear(15, 20))net.add_module('relu1', nn.ReLU())net.add_module('linear2', nn.Linear(20, 1))net.add_module('sigmoid', nn.Sigmoid())return net# 创建模型
net = create_net()
# 打印模型的基本信息
print(net)效果如下：
Sequential((linear1): Linear(in_features=15, out_features=20, bias=True)(relu1): ReLU()(linear3): Linear(in_features=20, out_features=1, bias=True)(sigmoid): Sigmoid()
)可以看到这种方式输出的模型结构内容不够详细而且形式不够直观，我们想实现像keras打印模型结构的那种效果，可以使用torchkeras模型的summary函数。
torchkeras模型的安装方法为：
pip install torchkeras调用代码如下：
import torch
from torch import nn
from torchkeras import summarydef create_net():net = nn.Sequential()net.add_module('linear1', nn.Linear(15, 20))net.add_module('relu1', nn.ReLU())net.add_module('linear2', nn.Linear(20, 1))net.add_module('sigmoid', nn.Sigmoid())return net# 创建模型
net = create_net()
# 使用torchkeras中的summary函数打印模型结构和参数
print(summary(net, input_shape=(15, )))效果如下：
----------------------------------------------------------------Layer (type) Output Shape Param #
================================================================Linear-1 [-1, 20] 320ReLU-2 [-1, 20] 0Linear-3 [-1, 1] 21Sigmoid-4 [-1, 1] 0
================================================================
Total params: 341
Trainable params: 341
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.000057
Forward/backward pass size (MB): 0.000320
Params size (MB): 0.001301
Estimated Total Size (MB): 0.001678
----------------------------------------------------------------
None可以看到这里模型的层次结构、输出形状和参数基本信息都可以被打印出来，这个模块还是很不错的。此外torchkeras的功能不仅限于此，它是在Pytorch上实现的仿Keras的高层Model结构，可以让我们像使用Keras一样训练Pytorch模型，关于该模块的细节可以参考以下文章：
torchkeras，像Keras一样训练Pytorch模型！
这篇关于使用torchkeras打印Pytorch模型结构和基本参数信息的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
