嘿，我来教你怎么在PyTorch里实现和Keras中model.count_params()一样的功能——统计模型的总参数数量。其实方法很直观，主要有两种常用方式，咱们一步步来：

方法一：手动遍历参数统计（最基础可靠） #

PyTorch里所有模型的参数都存在model.parameters()迭代器里，我们只需要遍历每个参数张量，计算它的元素个数，再累加起来就行。

示例代码： #

首先先定义一个简单的测试模型：

import torch
import torch.nn as nn

class SimpleMLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(10, 20)  # 10输入→20输出，参数是10*20 +20（偏置）=220
        self.fc2 = nn.Linear(20, 5)   # 20*5 +5=105
        self.dropout = nn.Dropout(0.5) # Dropout层没有可学习参数
        
model = SimpleMLP()

然后统计总参数数量（完全对应Keras的count_params()）：

total_params = sum(p.numel() for p in model.parameters())
print(f"模型总参数数量: {total_params}")  # 输出结果为220+105=325

这里的p.numel()是PyTorch张量的内置方法，用来获取张量里的元素总数，我们用sum()把所有参数的元素数加起来，就得到了总参数。

如果需要区分可训练参数（比如有些层被冻结，requires_grad=False），可以加个判断条件：

trainable_params = sum(p.numel() for p in model.parameters() if p.requires_grad)
print(f"可训练参数数量: {trainable_params}")

方法二：用torchsummary库一键查看（更便捷） #

如果你想同时看到每层的输出形状、参数占比等额外信息，可以用torchsummary库，它会自动帮你统计总参数和可训练参数。

步骤： #

1. 先安装库：

pip install torchsummary

2. 查看模型完整信息：

from torchsummary import summary

# 注意input_size要和你的模型输入形状匹配，这里我们的模型输入是10维向量
summary(model, input_size=(10,))

运行后会输出一个清晰的表格，最后一行就是Total params和Trainable params，结果和手动统计完全一致。

内容的提问来源于stack exchange，提问作者Fábio Perez