@浙大疏锦行
一、nn.Module核心自带方法
nn.Module封装了模型的核心逻辑，以下是高频使用的自带方法，按功能分类：
1. 模型状态控制（训练 / 评估模式）
| 方法 | 作用 |
|---|---|
model.train() | 切换为训练模式：启用 Dropout、BatchNorm 等层的训练行为（默认模式） |
model.eval() | 切换为评估模式：关闭 Dropout、固定 BatchNorm 均值 / 方差，用于推理 / 验证 |
model.training | 属性，返回布尔值：True= 训练模式，False= 评估模式 |
示例：
import torch import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self): super().__init__() self.conv = nn.Conv2d(3, 16, 3) self.dropout = nn.Dropout(0.5) # 训练时随机失活，评估时关闭 def forward(self, x): x = self.conv(x) x = self.dropout(x) return x model = SimpleCNN() print(model.training) # True（默认训练模式） model.eval() print(model.training) # False（评估模式，dropout失效） model.train() print(model.training) # True（切回训练模式）2. 设备迁移（CPU/GPU）
| 方法 | 作用 |
|---|---|
model.to(device) | 将模型所有参数 / 缓冲区移到指定设备（cuda/cpu/mps），返回模型实例 |
model.cuda() | 快捷方式：移到默认 GPU（等价于model.to('cuda')） |
model.cpu() | 快捷方式：移到 CPU（等价于model.to('cpu')） |
示例：
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = model.to(device) # 模型移到GPU/CPU # 验证设备 print(next(model.parameters()).device) # 输出：cuda:0 或 cpu3. 参数管理（查看 / 遍历参数）
| 方法 | 作用 |
|---|---|
model.parameters() | 返回生成器：包含所有可训练参数（nn.Parameter类型） |
model.named_parameters() | 返回生成器：(参数名，参数张量)，便于定位参数 |
model.named_parameters() | 返回生成器：(参数名，参数张量)，便于定位参数 |
model.state_dict() | 返回字典：{参数名：参数值}，用于保存模型参数 |
model.load_state_dict() | 加载参数字典，用于恢复模型 |
示例：
# 查看所有参数名称和形状 for name, param in model.named_parameters(): print(f"参数名：{name}，形状：{param.shape}，设备：{param.device}") # 统计总参数量（手动实现，无第三方库时用） total_params = sum(p.numel() for p in model.parameters()) trainable_params = sum(p.numel() for p in model.parameters() if p.requires_grad) print(f"总参数：{total_params}，可训练参数：{trainable_params}")4. 结构遍历（查看模型层）
| 方法 | 作用 |
|---|---|
model.children() | 返回生成器：仅包含直接子层（如 Sequential 内的第一层），不递归 |
model.named_children() | 返回生成器：(层名，子层)，仅直接子层 |
model.modules() | 返回生成器：递归包含所有层（包括嵌套层） |
model.named_modules() | 返回生成器：(层名，层)，递归所有层 |
示例：
# 定义嵌套模型 class NestedModel(nn.Module): def __init__(self): super().__init__() self.block1 = nn.Sequential( nn.Conv2d(3, 16, 3), nn.ReLU() ) self.block2 = nn.Linear(16*30*30, 10) model = NestedModel() # children()：仅直接子层（block1、block2） print("=== children() ===") for name, layer in model.named_children(): print(name, layer) # modules()：递归所有层（包括Sequential内的Conv2d、ReLU） print("\n=== modules() ===") for name, layer in model.named_modules(): print(name, layer)5. 前向传播与梯度
| 方法 | 作用 |
|---|---|
model.forward(x) | 手动调用前向传播（不推荐），建议直接model(x)（调用__call__） |
model(x) | 等价于model.__call__(x)，自动执行 forward + 钩子（hook）逻辑 |
model.zero_grad() | 清空所有参数的梯度（训练时反向传播前必须调用） |
示例：
x = torch.randn(1, 3, 32, 32).to(device) output = model(x) # 推荐：调用__call__，等价于model.forward(x) + 钩子 model.zero_grad() # 清空梯度 output.sum().backward() # 反向传播计算梯度二、torchsummary库的summary方法
torchsummary是早期轻量库，核心功能是快速打印模型层结构、输出形状、总参数量，仅支持单输入模型，对嵌套模型 / 多输入支持差，维护较少。
1. 安装与基本用法
pip install torchsummaryfrom torchsummary import summary # 定义模型（输入：3通道32×32图像） class SimpleCNN(nn.Module): def __init__(self): super().__init__() self.conv1 = nn.Conv2d(3, 16, 3, padding=1) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(16, 32, 3, padding=1) self.fc1 = nn.Linear(32 * 8 * 8, 128) self.fc2 = nn.Linear(128, 10) def forward(self, x): x = self.pool(nn.functional.relu(self.conv1(x))) x = self.pool(nn.functional.relu(self.conv2(x))) x = x.view(-1, 32 * 8 * 8) x = nn.functional.relu(self.fc1(x)) x = self.fc2(x) return x # 设备配置 + 模型初始化 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = SimpleCNN().to(device) # 调用summary：参数（模型，输入形状（通道,高,宽），batch_size可选） summary(model, input_size=(3, 32, 32), batch_size=1)2. 输出解读
---------------------------------------------------------------- Layer (type) Output Shape Param # ================================================================ Conv2d-1 [1, 16, 32, 32] 448 MaxPool2d-2 [1, 16, 16, 16] 0 Conv2d-3 [1, 32, 16, 16] 4,640 MaxPool2d-4 [1, 32, 8, 8] 0 Linear-5 [1, 128] 262,272 Linear-6 [1, 10] 1,290 ================================================================ Total params: 268,650 Trainable params: 268,650 Non-trainable params: 0 ---------------------------------------------------------------- Input size (MB): 0.01 Forward/backward pass size (MB): 0.29 Params size (MB): 1.02 Estimated Total Size (MB): 1.32 ----------------------------------------------------------------3. 优缺点
| 优点 | 缺点 |
|---|---|
| 极简、无多余依赖 | 仅支持单输入模型 |
| 输出简洁、易理解 | 对嵌套模型 / 多分支模型支持差 |
| 快速查看参数量 / 形状 | 无批次维度、无内存占用细分 |
| 支持 GPU/CPU | 维护停滞，仅兼容 PyTorch 旧版本 |
三、torchinfo库的summary方法（推荐）
torchinfo是torchsummary的升级版（原torchsummaryX），解决了多输入、嵌套模型、维度展示不清晰的问题，功能更全面，是当前 PyTorch 模型可视化的首选。
1. 安装与基本用法
pip install torchinfofrom torchinfo import summary # 复用上面的SimpleCNN模型 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = SimpleCNN().to(device) # 核心参数：model, input_size, batch_dim, device, col_width等 summary( model, input_size=(1, 3, 32, 32), # (batch_size, 通道, 高, 宽) batch_dim=0, # 批次维度的位置（默认0） device=device, # 模型设备 col_width=20, # 列宽 col_names=["input_size", "output_size", "num_params", "trainable"], # 显示列 row_settings=["var_names"] # 显示层变量名 )2. 输出解读
========================================================================================== Layer (type (var_name)) Input Shape Output Shape Param # Trainable ========================================================================================== SimpleCNN (SimpleCNN) [1, 3, 32, 32] [1, 10] -- -- ├─Conv2d (conv1) [1, 3, 32, 32] [1, 16, 32, 32] 448 True ├─MaxPool2d (pool) [1, 16, 32, 32] [1, 16, 16, 16] -- -- ├─Conv2d (conv2) [1, 16, 16, 16] [1, 32, 16, 16] 4,640 True ├─MaxPool2d (pool) [1, 32, 16, 16] [1, 32, 8, 8] -- -- ├─Linear (fc1) [1, 2048] [1, 128] 262,272 True ├─Linear (fc2) [1, 128] [1, 10] 1,290 True ========================================================================================== Total params: 268,650 Trainable params: 268,650 Non-trainable params: 0 Total mult-adds (M): 2.15 ========================================================================================== Input size (MB): 0.01 Forward/backward pass size (MB): 0.29 Params size (MB): 1.02 Estimated Total Size (MB): 1.32 ==========================================================================================四、推理的写法：评估模式
def evaluate_classification(model, dataloader, device): """ 分类模型评估：计算准确率、F1-score（宏平均）、混淆矩阵 """ # 1. 切换到评估模式（必须！） model.eval() # 2. 初始化指标容器 all_preds = [] all_labels = [] # 3. 关闭梯度计算（加速+省显存） with torch.no_grad(): for batch_idx, (x, y) in enumerate(dataloader): # 数据移到设备 x = x.to(device, dtype=torch.float32) y = y.to(device, dtype=torch.long) # 4. 推理（前向传播） outputs = model(x) # 输出：(batch_size, num_classes) preds = torch.argmax(outputs, dim=1) # 取概率最大的类别 # 5. 收集预测结果和真实标签（转回CPU便于计算指标） all_preds.extend(preds.cpu().numpy()) all_labels.extend(y.cpu().numpy()) # 可选：打印进度 if (batch_idx + 1) % 10 == 0: print(f"Batch [{batch_idx+1}/{len(dataloader)}] 完成") # 6. 计算评估指标 accuracy = accuracy_score(all_labels, all_preds) f1_macro = f1_score(all_labels, all_preds, average="macro") # 宏平均F1（适合类别均衡） f1_weighted = f1_score(all_labels, all_preds, average="weighted") # 加权F1（适合类别不均衡） # 7. 打印结果 print("="*50) print(f"分类模型评估结果：") print(f"准确率 (Accuracy): {accuracy:.4f}") print(f"宏平均F1-score: {f1_macro:.4f}") print(f"加权F1-score: {f1_weighted:.4f}") print("="*50) return { "accuracy": accuracy, "f1_macro": f1_macro, "f1_weighted": f1_weighted, "preds": all_preds, "labels": all_labels } # 执行评估 eval_results = evaluate_classification(model, test_loader, device)
