model.summary() 默认不显示总参数量数字，因其输出常被截断或忽略末尾的“Total params”行；应显式设置print_fn=print和line_length避免截断，或用tf.keras.utils.count_params(model.trainable_weights)准确获取可训练参数总数。
model.summary() 为什么看不到总参数量数字
model.summary() 默认只打印分层结构和每层的参数量，末尾不汇总。很多人扫一眼输出就以为没统计——其实总参数量藏在最后一行，但被截断或忽略。TensorFlow 2.x 的 summary() 默认只显示前几层+省略号，print_fn 不设好根本看不到“Total params”那行。
实操建议：
- 显式传入
print_fn=print（尤其在 Jupyter 里，否则可能静默） - 用
line_length参数拉宽输出，避免换行截断数字：model.summary(line_length=120) - 若模型含自定义层或动态图（如
tf.function包裹的子图），summary()可能无法解析，此时返回的“Total params”为 0 或不准确
想拿到纯数字？别只靠 summary() 打印
打印出来是给人看的，真要参与后续逻辑（比如写日志、做对比），得自己算。TensorFlow 提供了更底层、更可靠的方式：
-
tf.keras.utils.count_params(model.trainable_weights)：只算可训练参数（最常用） -
tf.keras.utils.count_params(model.weights)：算全部权重（含 batch norm 的 running_mean 等非训练参数） - 注意：
count_params()输入是list，不是单个Variable；传错会报TypeError: 'ResourceVariable' object is not iterable - 如果模型还没 build（比如用
Input+Model方式构建但没 call 过），model.weights是空列表，结果为 0 —— 必须先model(tf.keras.Input(...))或model.build(input_shape=...)
model.summary() 和 count_params() 结果对不上怎么办
常见于含 tf.keras.layers.LSTM、GRU 或自定义 Cell 的模型。原因很实在：这些层内部参数命名不规范，或存在未注册到 self.weights 的辅助变量（比如 cuDNN 后端的隐藏 buffer）。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
立即学习“Python免费学习笔记（深入）”；
-
summary()走的是 Keras 元数据路径，依赖compute_output_shape和层内self.add_weight()调用记录 -
count_params(model.weights)是硬扫描当前model.weights列表里的所有Variable，更“物理”但可能漏掉某些 runtime-only 参数 - 验证方法：用
for w in model.weights: print(w.name, w.shape)手动过一遍，看有没有明显缺失的权重名（比如lstm/bias_i类似名字没出现） - 生产环境建议以
count_params(model.trainable_weights)为准，并加注释说明该值不含 non-trainable buffers
统计带条件分支的模型（如 tf.cond / tf.switch_case）
这类模型在 summary() 中通常只显示主路径，而 count_params() 会把所有已创建的 Variable 都算进去——前提是它们真被初始化了。问题在于：TensorFlow 默认惰性创建变量，分支没执行过，对应变量就不会存在。
- 调用一次完整 forward（含所有可能分支）再统计，例如：
model(tf.random.normal((1, *input_shape)), training=True) - 或者用
model.variables替代model.weights，前者包含所有已创建变量（含非权重类变量，需过滤isinstance(v, tf.Variable)） - 别信
summary()的“Total params”，它根本不知道分支里还有啥
参数量不是越大越好，但数不准会误导剪枝、量化或部署决策——尤其是当某层参数量突然比预期少两个数量级时，大概率是分支没触发、变量没建，而不是模型真的轻量。
