我们都知道，卷积神经网络的参数统计是很重要的，关于一个网络的容量大小与性能评价。pytorch的参数统计与层结构的打印可以用torchsummary 来统计，但是前几天在写网络的时候遇到了共享参数问题，再用torchsummary的时候就出现了问题，经过进一步实验，终于找到了正确统计参数的规律。
先以实例进行讲解：
case1: 无参数共享（最常见）
# -*- coding: utf-8 -*-
输出：
----------------------------------------------------------------
首先说一下 count_parameters(model) 函数的意思：
return
其中model.parameters()是取得模型的参数，if p.requires_grad 是可求导参数的情况下。其实在定义网络的时候基本上都是可求导参数，包括卷积层参数，BN层参数，所以我们统计可求导参数。然后numel()是统计numpy数组里面的元素的个数。这样一来就很明显了，我们定义了两个3x3卷积层，而且没有bias，所以参数个数是3x3x2=18个，网络结构是两层。到这里都对！然后我们再看看case2.
case2: 参数共享
# -*- coding: utf-8 -*-
输出：
----------------------------------------------------------------
看看出现了什么？，parameter_count统计的是9个参数，而torchsummary统计的是18个参数，为什么会出现这种问题？要想找到原因肯定是要先了解我们的网络是怎么构建的，从网络构建可以看出，我们只初始化了一个卷积层对象——conv1，然后在网络构建时（forward里面）,重复调用了conv1,这样做是因为：根据pytorch官方的教程，这样可以实现参数共享，也就是Conv2d-1 和Conv2d-2 层共享了conv1的参数。也就是其实我们只用了一个卷积层的参数，所以parameters_count 计算的是对的，但是torchsummary为什么计算成了18？ 那是因为torchsummary 计算时是先把层结构打印下来，然后再统计对各个层的参数求和，这样一来，它不会区分conv2d-1和conv2d-2里面的参数是否相同，只是根据结构都打印且统计了出来。所以在遇到参数共享的时候，torchsummary统计的是不正确的！但是parameter_count 统计的就一定正确吗？并不是！请看下面的例子。
case3: 初始化了层，却没有调用
# -*- coding: utf-8 -*-
输出：
----------------------------------------------------------------
可以看到，我们构建网络的时候和case2是相同的，都是共享conv1的参数，但是与case2不同的是我们也初始化了一个conv2的卷积层对象，但是没有用来构建网络，就放在了那里，这个时候parameters_count也出现了错误，错误的计算成了18，那是因为你在BaseNet类里多初始化了conv2,即使你没有在forward里面调用，但是它也算在你的model.parameters()里面，所以总参数变成了18，这个时候torchsummary的18 和parameters_count的18是不同的意思，但是都是错的，对于你本来想构建的网络来说。如果不信的话可以看看下面这个例子，case3,case4做一下对比就知道了！
case4:
# -*- coding: utf-8 -*-
输出：
----------------------------------------------------------------
总结：
如果没有共享参数的情况出现尽量用torchsummary来计算，如果出现了共享参数的情况，那就用parameters_count的计算方式，这个时候要注意尽量将没有用到的层对象注释干净，这样才能计算出正确的参数来！
