---

一、基本使用

  torchsummary库是一个好用的模型可视化工具，用于帮助开发者把握每个网络层级的细节，包括其中的连接和维度。使用方法：

from torchsummary import summary

库中仅有一个函数：

summary(model, input_size, batch_size=-1, device="cuda"):

• model：模型对象。
• input_size：输入数据的格式，使用（C，H，W）格式。
• batch_size：批数据的数量。
• device：使用的设备。

  以自定义的LeNet网络模型为例：

import torch
from torch import nn
from torchsummary import summaryclass LeNet(nn.Module):def __init__(self):super(LeNet, self).__init__()# 手写数字图片大小为32*32，故需填充2个像素self.model = nn.Sequential(nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5, padding=2),nn.Sigmoid(),nn.AvgPool2d(kernel_size=2, stride=2),nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5),nn.AvgPool2d(kernel_size=2, stride=2),nn.Flatten(),nn.Linear(in_features=16 * 5 * 5, out_features=120),nn.Linear(in_features=120, out_features=84),nn.Linear(in_features=84, out_features=10),)def forward(self, x):return self.model(x)myLeNet = LeNet().to(device)
print(summary(myLeNet, input_size=(1, 28, 28), batch_size=64, device='cuda'))

二、常见指标

2.1Input size

  Input size表示输入数据的大小。在上述例子中，batch_size=64，每张图片大小为（1，28，28），而Pytorch默认使用float32（双精度浮点数）占4字节，则每个batch所用内存大小为：
$$64x1x28x28x4=200,704（Bytes）$$
转化为以MB为单位：
$$200,704/1024^2（Bytes）=0.19140625（Bytes）$$
约等于0.19MB。

2.2Forward/backward pass size

https://blog.csdn.net/weixin_43589323/article/details/137105988?ops_request_misc=&request_id=&biz_id=102&utm_term=torchsummary&utm_medium=distribute.pc_search_result.none-task-blog-2_allsobaiduweb~default-5-137105988.142^v100pc_search_result_base2&spm=1018.2226.3001.4187