我会从最简单、最推荐的方法讲起，然后逐步深入到更底层的 API。
（图片来源网络，侵删）
使用 Keras 内置方法（推荐）
对于使用 Keras API（tf.keras）构建的模型，这是最简单、最安全、最推荐的方法，Keras 模型提供了专门的属性和方法来访问参数。
获取所有参数的列表
你可以使用 model.trainable_variables 或 model.weights。
model.trainable_variables: 返回一个包含所有可训练参数的列表。model.weights: 返回一个包含所有参数（包括可训练和不可训练的，如 BatchNormalization 的移动平均）的列表。
import tensorflow as tf
# 1. 创建一个简单的 Keras 模型
model = tf.keras.Sequential([
tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
tf.keras.layers.Dense(10, activation='softmax')
])
# 2. 获取所有可训练参数的列表
trainable_params = model.trainable_variables
print(f"可训练参数数量: {len(trainable_params)}")
# 获取所有参数（包括非训练参数）的列表
all_params = model.weights
print(f"所有参数数量: {len(all_params)}")
# 3. 遍历并打印每个参数的名称和形状
for param in trainable_params:
print(f"参数名称: {param.name}")
print(f"参数形状: {param.shape}")
print("-" * 30)
输出示例:
可训练参数数量: 4
所有参数数量: 4
参数名称: dense/kernel:0
参数形状: (784, 128)
------------------------------
参数名称: dense/bias:0
参数形状: (128,)
------------------------------
参数名称: dense_1/kernel:0
参数形状: (128, 10)
------------------------------
参数名称: dense_1/bias:0
参数形状: (10,)
------------------------------kernel:0通常指权重矩阵。bias:0指偏置向量。
按层获取参数
你也可以直接访问每一层的参数。
（图片来源网络，侵删）
# 获取模型中第一个 Dense 层的权重和偏置
first_layer = model.layers[0]
kernel = first_layer.kernel
bias = first_layer.bias
print(f"第一层权重名称: {kernel.name}, 形状: {kernel.shape}")
print(f"第一层偏置名称: {bias.name}, 形状: {bias.shape}")
获取参数的总数量和总大小
# 获取参数总数量
total_params = model.count_params()
print(f"模型总参数数量: {total_params}")
# 获取参数的总大小（字节）
total_size = sum([p.numpy().nbytes for p in model.trainable_variables])
print(f"模型可训练参数总大小: {total_size / (1024 * 1024):.2f} MB")
使用 TensorFlow 变量 API
当你构建一个更底层的模型，或者想直接操作 TensorFlow 变量时，可以使用 tf.Variable 相关的 API。
假设你已经有一个模型，并且已经通过 model.build() 或调用一次数据来创建了变量。
# 假设我们有一个和上面一样的模型
model = tf.keras.Sequential([
tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
tf.keras.layers.Dense(10, activation='softmax')
])
# 必须先调用一次模型以创建变量
# 用虚拟数据调用一次
_ = model(tf.random.normal((1, 784)))
# 1. 遍历模型的所有变量
print("使用 tf.Variable API:")
for var in model.variables:
print(f"变量名称: {var.name}, 形状: {var.shape}, 是否可训练: {var.trainable}")
# 2. 通过名称获取特定变量
# 你需要知道变量的确切名称
kernel = model.get_layer('dense').get_variable('kernel')
print(f"\n通过名称获取的权重: {kernel.name}, 形状: {kernel.shape}")
注意: 这种方法需要你了解变量在模型中的确切名称，不如 Keras 内置方法直观。
使用检查点和 SavedModel
如果你已经训练好了一个模型，并希望提取其参数，最好的方式是使用 TensorFlow 的检查点或 SavedModel 格式，这不仅能保存参数,还能保存模型的结构。
保存模型
# 训练模型（这里用虚拟数据代替）
import numpy as np
x_train = np.random.rand(1000, 784).astype(np.float32)
y_train = np.random.randint(0, 10, (1000,)).astype(np.int32)
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=1, batch_size=32)
# 保存为 SavedModel 格式（推荐）
model.save('my_model.keras')
# 或者只保存权重为检查点文件
model.save_weights('my_model_weights.h5')
加载模型并提取参数
# 方式 A: 加载整个 SavedModel
loaded_model = tf.keras.models.load_model('my_model.keras')
# 现在你可以像处理原始模型一样提取参数
print("从 SavedModel 加载后提取参数:")
for param in loaded_model.trainable_variables:
print(f"参数名称: {param.name}, 形状: {param.shape}")
# 方式 B: 从检查点文件加载权重到新模型
# 首先创建一个结构完全相同的新模型
new_model = tf.keras.Sequential([
tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
tf.keras.layers.Dense(10, activation='softmax')
])
# 加载权重
new_model.load_weights('my_model_weights.h5')
# 然后提取参数
print("\n从检查点加载后提取参数:")
for param in new_model.trainable_variables:
print(f"参数名称: {param.name}, 形状: {param.shape}")
总结与对比
| 方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| Keras 内置方法 | tf.keras 模型，开发阶段 |
最简单、最安全，与模型结构高度耦合，无需关心底层细节 | 仅适用于 Keras 模型 |
| TensorFlow 变量 API | 底层模型构建，或直接操作变量 | 灵活，可以与任何 tf.Variable 交互 |
需要知道变量名称，代码不够直观 |
| 检查点 / SavedModel | 模型训练完成后，持久化和恢复 | 最可靠，保存了完整的模型状态和结构，便于部署和迁移 | 需要先保存再加载，不适合在训练循环中频繁使用 |
最佳实践建议：
- 在开发和训练过程中，始终使用 方法一（Keras 内置方法） 来检查和操作参数。
- 在需要保存或加载模型时，使用 方法三（检查点 / SavedModel）。
.keras或.h5格式是首选,因为它们包含了模型结构。 - 仅在构建非常底层的自定义训练逻辑时，才考虑使用 方法二（TensorFlow 变量 API）。
