parameters()函数 --- 获取模型参数量
parameters() 函数是 PyTorch 中 torch.nn.Module 类的一个方法，用于返回模型中所有可训练的参数。下面是对这个函数的详细解释：
1. parameters() 方法工作机制
parameters() 方法工作机制：定义一个模型，通常会将多个层（如卷积层、线性层等）组合在一起，这些层就是主模块的子模块。而这些子模块中有些也可能包含自己的子模块，形成一个递归的层次结构。parameters() 方法会自动遍历整个层次结构，获取每个模块和子模块中的可训练参数。
2. 返回值
- 返回一个迭代器，其中包含所有可训练的参数。
3. 示例
import torch
import torch.nn as nn# 定义一个包含多个子模块的模型
class MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1) # 子模块1self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1) # 子模块2self.fc = nn.Linear(32 * 16 * 16, 10) # 子模块3def forward(self, x):x = self.conv1(x)x = self.conv2(x)x = x.view(x.size(0), -1) # Flattening for the fully connected layerx = self.fc(x)return x# 实例化模型
model = MyModel()# 获取模型的参数
for param in model.parameters():print(param.size())上述代码中Conv2d函数bias没有指定值，则取默认值bias=True，也就是说，在上述代码中，bias是存在的。
分析：
MyModel包含了 3 个层：两个卷积层（conv1和conv2）以及一个全连接层（fc）。- 这些层都是
MyModel的子模块。 - 当你调用
model.parameters()时，它不仅返回MyModel自己的参数，还会递归地返回所有子模块（即conv1、conv2、fc）的参数。
3. 递归参数获取
parameters() 函数递归地遍历模块中的所有子模块，获取每个模块的参数。每个 nn.Module 对象的 parameters() 方法会遍历它自己和它的所有子模块，将所有可训练参数打包在一起。
你可以通过以下代码验证这一点：
# 打印每个模块的参数名和大小
for name, param in model.named_parameters(): print(f"参数名: {name}, 大小: {param.size()}")输出：
参数名: conv1.weight, 大小: torch.Size([16, 3, 3, 3])
参数名: conv1.bias, 大小: torch.Size([16])
参数名: conv2.weight, 大小: torch.Size([32, 16, 3, 3])
参数名: conv2.bias, 大小: torch.Size([32])
参数名: fc.weight, 大小: torch.Size([10, 8192])
参数名: fc.bias, 大小: torch.Size([10])这里你会看到，不仅 MyModel 中的卷积层 conv1、conv2 的权重和偏置参数被列出，连全连接层 fc 的参数也被列出了。
4. 参数过滤（过滤出可训练的参数）
可以通过条件过滤来获取特定类型的参数，例如仅获取可训练的参数：
trainable_params = [p for p in model.parameters() if p.requires_grad]5. 计算参数总量
可以结合 numel() 方法来计算模型的参数总量：
total_params = sum(p.numel() for p in model.parameters() if p.requires_grad)
print(f"总参数量: {total_params}")在这个示例中，p.numel() 返回参数的元素数量，if p.requires_grad 确保只计算需要梯度的参数（即可训练的参数）。运行这个代码将输出模型的参数总量。