如果您正在考虑自己计算参数数量，那么这两个现有答案很好。如果您的问题更像是“是否有一种简便的方法来分析我的TensorFlow模型？”，我强烈建议您研究tfprof 。它可以分析您的模型，包括计算参数数量。

我有一个更短的版本，使用numpy的一种解决方案：

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

如果希望避免使用numpy（许多项目可以忽略它），则：

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

这是Julius Kunze先前回答的TF翻译。

与任何TF操作一样，它需要运行会话来评估：

print(sess.run(all_trainable_vars))

我将介绍我的等效但较短的实现：

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,)

不知道给出的答案是否真的有效（我发现您需要将dim对象转换为int才能起作用）。这是一个可行的方法，您可以复制粘贴函数并调用它们（也添加了一些注释）：

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 

在tf.trainable_variables()循环遍历每个变量的形状。

total_parameters = 0
for variable in tf.trainable_variables():
    # shape is an array of tf.Dimension
    shape = variable.get_shape()
    print(shape)
    print(len(shape))
    variable_parameters = 1
    for dim in shape:
        print(dim)
        variable_parameters *= dim.value
    print(variable_parameters)
    total_parameters += variable_parameters
print(total_parameters)

更新：由于这个答案，我写了一篇文章来澄清Tensorflow中的动态/静态形状： https ://pgaleone.eu/tensorflow/2018/07/28/understanding-tensorflow-tensors-shape-static-dynamic/