常见原因是传入了未实例化的模型类或state_dict()，而非已实例化并调用.to(device)的nn.module对象；input_size需为不含batch维度的tuple，如图像填(3,224,224)，多输入或动态结构模型建议改用torchinfo。
torchsummary.summary() 为什么报错说 model is not a Module
常见原因是传入了模型的 state_dict() 或者未实例化的类，而非实际的 nn.Module 对象。比如写成 summary(MyModel, ...)（没加括号）或 summary(model.state_dict(), ...)，都会触发 TypeError: model must be a torch.nn.Module。
正确做法是确保传入已实例化、且已调用 .to(device) 的模型对象：
import torch
import torch.nn as nn
from torchsummary import summary
<p>class SimpleNet(nn.Module):
def <strong>init</strong>(self):
super().<strong>init</strong>()
self.conv = nn.Conv2d(3, 16, 3)
self.fc = nn.Linear(16 <em> 30 </em> 30, 10)</p><pre class="brush:python;toolbar:false;">def forward(self, x):
x = self.conv(x)
x = x.view(x.size(0), -1)
return self.fc(x)model = SimpleNet().to('cuda') # 必须实例化 + 指定设备 summary(model, input_size=(3, 32, 32)) # input_size 是 tuple，不是 batch 维度
input_size 参数到底怎么填，为什么总报错
input_size 是指单个样本的 shape，不含 batch 维度 —— 这是最常踩的坑。例如图像输入是 (B, 3, 224, 224)，这里要填 (3, 224, 224)；如果是文本 embedding 输入 (B, T, D)，就填 (T, D)（注意顺序，torchsummary 默认按 (C, H, W) 或 (L, D) 解析）。
- 必须是 tuple，不能是 list 或 torch.Size
- 如果模型有多个输入（如多模态），
torchsummary原生不支持，得换torchinfo - CPU 模型可直接用
input_size；GPU 模型必须先.to('cuda')，否则会因设备不匹配报错
为什么 total params 显示为 0 或远小于预期
通常是因为模型里用了动态结构，比如条件分支中某些层在前向时未被调用（如 if training: 下的 dropout 层未生效）、或使用了未注册的参数（比如手动创建的 nn.Parameter 但没加到 self 下）。
另一个典型情况：模型含 torch.jit.script 或 DataParallel 包装。前者会让 torchsummary 无法遍历子模块；后者则可能把参数分散到 module.conv 而非 conv，导致统计遗漏。
- 检查是否误用了
nn.DataParallel：改用torch.nn.parallel.DistributedDataParallel或直接删掉包装再 summary - 确认所有可学习参数都通过
self.xxx = nn.Linear(...)方式定义，而非self.weight = nn.Parameter(...)后忘记self.register_parameter - 临时加一句
print(list(model.named_parameters()))对比参数名和summary输出，快速定位缺失层
替代方案：torchinfo 更可靠吗
是的。torchinfo（原 torchsummaryX）修复了多数 torchsummary 的限制：支持多输入、显示每层内存占用、兼容 JIT 和部分封装模型，API 也更一致。
安装与基本用法：
pip install torchinfo from torchinfo import summary <p>summary(model, input_size=(1, 3, 224, 224)) # 这里可以带 batch 维度了！</p>
它还会标出「Non-trainable parameters」，对冻结 backbone 的场景更实用。不过要注意：若模型 forward 中有 torch.cuda.amp.autocast 或自定义 CUDA kernel，仍可能无法准确推断 shape —— 这种时候就得手动 print param.numel() 累加。
真正难搞的是那些依赖运行时 shape 的模型（比如带 dynamic shape 的 ONNX 导出逻辑），这时候 torchsummary 和 torchinfo 都会失效，只能靠插入 hook 或调试 forward 流程来逐层 inspect。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
