¿Cómo contar el número total de parámetros entrenables en un modelo tensorflow?

Tengo una versión aún más corta, una solución de línea usando usando numpy:

np.sum([np.prod(v.get_shape().as_list()) for v in tf.trainable_variables()])

No estoy seguro de si la respuesta dada realmente se ejecuta (descubrí que necesita convertir el objeto dim a un int para que funcione). Aquí es uno que funciona y solo puede copiar y pegar las funciones y llamarlas (también se agregaron algunos comentarios):

def count_number_trainable_params():
    '''
    Counts the number of trainable variables.
    '''
    tot_nb_params = 0
    for trainable_variable in tf.trainable_variables():
        shape = trainable_variable.get_shape() # e.g [D,F] or [W,H,C]
        current_nb_params = get_nb_params_shape(shape)
        tot_nb_params = tot_nb_params + current_nb_params
    return tot_nb_params

def get_nb_params_shape(shape):
    '''
    Computes the total number of params for a given shap.
    Works for any number of shapes etc [D,F] or [W,H,C] computes D*F and W*H*C.
    '''
    nb_params = 1
    for dim in shape:
        nb_params = nb_params*int(dim)
    return nb_params 

Las dos respuestas existentes son buenas si estás buscando calcular el número de parámetros tú mismo. Si su pregunta fue más en la línea de "¿hay una manera fácil de perfilar mis modelos TensorFlow?", Yo recomendaría encarecidamente buscar en tfprof . Perfila su modelo, incluyendo el cálculo del número de parámetros.

Voy a lanzar en mi equivalente, pero la implementación más corta:

def count_params():
    "print number of trainable variables"
    size = lambda v: reduce(lambda x, y: x*y, v.get_shape().as_list())
    n = sum(size(v) for v in tf.trainable_variables())
    print "Model size: %dK" % (n/1000,)

Si uno prefiere evitar numpy (se puede dejar fuera para muchos proyectos), entonces:

all_trainable_vars = tf.reduce_sum([tf.reduce_prod(v.shape) for v in tf.trainable_variables()])

Esta es una traducción TF de la respuesta anterior de Julius Kunze.

Como cualquier operación TF, requiere una sesión ejecutada para evaluar:

print(sess.run(all_trainable_vars))