神经网络参数数量统计：快速查看方法及代码示例

要查看神经网络中的参数数量，可以使用以下方法：

使用框架提供的函数：如果你使用的是 TensorFlow、PyTorch 或者其他流行的深度学习框架，那么它们一般都提供了查看模型参数数量的函数。例如，PyTorch 中的 model.parameters() 函数返回模型中所有可学习参数的迭代器，可以通过对其迭代并计算参数数量来获得模型的总参数数量。
使用自定义函数：如果你自己编写了深度学习模型，那么你可以手动计算模型中的参数数量。具体来说，对于每个层，你需要计算其权重矩阵和偏置向量的元素数量，并将它们相加得到该层的参数数量。最后，将所有层的参数数量相加即可得到整个模型的参数数量。

例如，对于一个包含两个全连接层的神经网络，可以使用以下代码来计算模型的参数数量：

import torch.nn as nn

class MyNet(nn.Module):
    def __init__(self):
        super(MyNet, self).__init__()
        self.fc1 = nn.Linear(10, 20)
        self.fc2 = nn.Linear(20, 30)
        
    def forward(self, x):
        x = self.fc1(x)
        x = self.fc2(x)
        return x

model = MyNet()

# 计算模型参数数量
num_params = sum(p.numel() for p in model.parameters())
print('模型参数数量：', num_params)

在这个例子中，model.parameters() 函数返回了 fc1 和 fc2 层的权重矩阵和偏置向量，p.numel() 函数返回了每个参数的元素数量，最后将全部参数的元素数量相加即可得到模型的参数数量。