如何让Pytorch summary正确统计多次调用同一模块时的可训练参数量

torchsummary的原生统计逻辑是跟踪前向传播过程中每一次层调用动作，每次触发层计算都会累加对应层的参数量，不会判断该层的参数是否已经被统计过，因此同一个模块在forward中被多次调用时就会出现参数重复计数的问题。

方案1：替换为torchinfo库（最简便，兼容原有调用逻辑） #

torchinfo是torchsummary的社区优化分支，默认实现了参数去重统计，同时保留了torchsummary的所有常用功能（分层输出、输入输出尺寸统计、显存占用计算等），调用方式几乎完全一致，完全符合你沿用原有功能的需求。
如果未安装可以先执行pip install torchinfo完成安装，之后只需要修改导入语句即可：

# 替换原有的 from torchsummary import summary
from torchinfo import summary

用你提供的示例代码运行，输出的总参数量会直接显示为12，和真实可训练参数量一致。

方案2：给原生torchsummary加去重补丁（必须用原生库时可选） #

如果必须使用原版torchsummary，可以修改其统计逻辑，新增参数去重判断：

1. 找到torchsummary安装目录下的torchsummary.py文件
2. 找到参数统计的循环逻辑，新增一个集合存储已统计过的参数id，修改累加规则：

# 原统计逻辑修改后参考：
summary_dict = {}
counted_params = set() # 新增：存储已经统计过的参数的内存id
total_params = 0
trainable_params = 0
# ... 遍历每层的原有代码 ...
for param in layer.parameters():
    param_id = id(param)
    if param_id not in counted_params:
        counted_params.add(param_id)
        param_size = np.prod(param.size())
        total_params += param_size
        if param.requires_grad:
            trainable_params += param_size

方案3：原生summary输出后追加正确参数量 #

不需要修改库代码，在调用完summary之后直接运行你已经掌握的参数量统计代码，追加打印即可，兼顾torchsummary的分层输出和正确的总参数量统计。

内容的提问来源于stack exchange，提问作者Dadeslam