问题标签 [state-dict]

gen.state_dict()我试图使用 MNIST 数据集训练 DCGAN 模型，但在完成训练后无法加载。

我无法在此步骤中加载 gen state_dict：

这是错误：

这是模型结构。为了方便超参数调整，我将几乎所有内容组合在一起。''' 类 MultiTaskDNN(nn.Module):

'''

如果结构看起来正确，也请告诉我。在训练这个具有 10 个任务（头）的多任务模型之后。我只想预测任务 7，即头 7。我应该如何加载模型并进行预测？谢谢你。

• 我想使用 多语言代码搜索模型，但首先代码不起作用并输出以下错误，表明它不能仅加载权重：

• 然后我下载了 pytorch bin 文件，但它只包含权重字典（这里提到的状态字典），这意味着如果我想使用模型，我必须初始化好的架构，然后加载权重。

但是我应该如何找到适合如此复杂模型重量的架构？我看到一些方法可以根据权重字典找到模型，但我没有设法让它们工作（我想在这里输入链接描述）。

如何找回权重字典的架构以使模型工作？甚至可能吗？

torch.save(agent.qnetwork_local.state_dict(), filename)我一直在尝试用where保存 Pytorch 模型的 state_dict
filename = datetime.now().strftime('%d-%m-%y-%H:%M_dqnweights.pth')

type(filename)返回str不应该有问题的torch.save()，它应该输出一个非空文件。相反，我得到一个只有日期和时间的空文件，之后什么都没有。将日期和文件名放在中间会导致一个空文件，其中包含截止日期和时间之后的所有内容。

torch.save(agent.qnetwork_local.state_dict(), 'checkpoint1.pth')并且任何时候我硬编码字符串都可以工作并给我预期的非空文件。

发生了什么事，我该如何解决？

我在 Windows 10 上使用 Pytorch v1.8.1+cpu 在 Python v3.6.8 virtualenv 中运行此代码。

尝试加载已保存的模型检查点（.pth文件）时出现以下错误。

nn.DataParallel我在（火炬版本）中训练了我的序列标记模型，1.7.0但我试图在没有nn.DataParallel（火炬版本1.9.0）的情况下加载它。目前，我知道不使用nn.DataParallel导致的问题RuntimeError: Error(s) in loading state_dict for DataParallel:，但也可能是因为我使用了不同版本的火炬或训练和加载模型检查点？

该模型nn.DataParallel使用以下代码块进行包装。

这是我的模型。

我应该如何继续正确包装检查点，nn.DataParallel或者我应该使用可以解决此问题的正确版本的火炬？

我将不胜感激任何帮助或提示。

我正在尝试实现以下函数来保存 model_state 检查点：

以前我只是通过运行一个 for 循环来做同样的事情：

有没有办法在checkpoint={}每个循环中启动和更新它？或者checkpoint={}在每个时期都很好，因为模型本身持有state_dict(). 只是我每次都覆盖检查点。

加载自定义 model.pt 以进行推理时出现错误。错误是 TypeError：load_state_dict() 缺少 1 个必需的位置参数：'state_dict'。

model = get_model(model_path, model_type='UNet',problem_type='parts')

这是 Unet 模型

从火炬导入火炬 从火炬视觉.models.vgg 导入nn 导入vgg16_bn

我正在做一个项目，我最初训练模型并存储最佳模型。为了评估经过训练的模型，我尝试使用 model.load_state_dict(torch.load(path))，其中路径指定检查点。当我在 gpu 机器上运行该模型时，该模型没有给出一致的结果，但代码在 cpu 的本地机器上运行良好。以前有人遇到过类似的问题吗？

我正在尝试加载一个略有不同的预训练 resnet56 模型。pretrainde 模型在构建时是普通的 resnet 模型，而我要阅读的模型将整个阶段分为两部分，其中第一部分是 Sequential，其余部分放入列表中，我将它们命名为 normal resnet 做： 建立网络

现在我得到了这个意外的关键错误： 错误消息

RuntimeError：为 ResNetc 加载 state_dict 时出错：state_dict 中出现意外键：“layer2.5.conv1.weight”、“layer2.5.bn1.weight”、“layer2.5.bn1.bias”、 “layer2.5.bn1.running_mean”、“layer2.5.bn1.running_var”、“layer2.5.bn1.num_batches_tracked”、“layer2.5.conv2.weight”、“layer2.5.bn2.weight”、 “layer2.5.bn2.bias”、“layer2.5.bn2.running_mean”、“layer2.5.bn2.running_var”、“layer2.5.bn2.num_batches_tracked”、“layer2.6.conv1.weight”、 “layer2.6.bn1.weight”、“layer2.6.bn1.bias”、“layer2.6.bn1.running_mean”、“layer2.6.bn1.running_var”、“layer2.6.bn1.num_batches_tracked”、 “layer2.6.conv2.weight”、“layer2.6.bn2.weight”、“layer2.6.bn2.bias”、“layer2.6.bn2.running_mean”、“layer2.6.bn2.running_var”、“layer2.6.bn2.num_batches_tracked”、“layer2.7.conv1.weight”、“layer2.7.bn1.weight”、 “layer2.7.bn1.bias”、“layer2.7.bn1.running_mean”、“layer2.7.bn1.running_var”、“layer2.7.bn1.num_batches_tracked”、“layer2.7.conv2.weight”、 “layer2.7.bn2.weight”、“layer2.7.bn2.bias”、“layer2.7.bn2.running_mean”、“layer2.7.bn2.running_var”、“layer2.7.bn2.num_batches_tracked”、 “layer2.8.conv1.weight”、“layer2.8.bn1.weight”、“layer2.8.bn1.bias”、“layer2.8.bn1.running_mean”、“layer2.8.bn1.running_var”、 “layer2.8.bn1.num_batches_tracked”，“layer2.8.conv2.weight”，“layer2.8.bn2.weight”，“layer2.8.bn2.bias”、“layer2.8.bn2.running_mean”、“layer2.8.bn2.running_var”、“layer2.8.bn2.num_batches_tracked”、“layer3.5.conv1.weight”、 “layer3.5.bn1.weight”、“layer3.5.bn1.bias”、“layer3.5.bn1.running_mean”、“layer3.5.bn1.running_var”、“layer3.5.bn1.num_batches_tracked”、 “layer3.5.conv2.weight”、“layer3.5.bn2.weight”、“layer3.5.bn2.bias”、“layer3.5.bn2.running_mean”、“layer3.5.bn2.running_var”、 “layer3.5.bn2.num_batches_tracked”、“layer3.6.conv1.weight”、“layer3.6.bn1.weight”、“layer3.6.bn1.bias”、“layer3.6.bn1.running_mean”、 “layer3.6.bn1.running_var”、“layer3.6.bn1.num_batches_tracked”、“layer3.6.conv2.weight”、“layer3.6.bn2.weight”、“layer3.6.bn2.bias”、“layer3.6.bn2.running_mean”、“layer3.6.bn2.running_var”、“layer3.6.bn2.num_batches_tracked”、 “layer3.7.conv1.weight”、“layer3.7.bn1.weight”、“layer3.7.bn1.bias”、“layer3.7.bn1.running_mean”、“layer3.7.bn1.running_var”、 “layer3.7.bn1.num_batches_tracked”、“layer3.7.conv2.weight”、“layer3.7.bn2.weight”、“layer3.7.bn2.bias”、“layer3.7.bn2.running_mean”、 “layer3.7.bn2.running_var”、“layer3.7.bn2.num_batches_tracked”、“layer3.8.conv1.weight”、“layer3.8.bn1.weight”、“layer3.8.bn1.bias”、 “layer3.8.bn1.running_mean”、“layer3.8.bn1.running_var”、“layer3.8.bn1.num_batches_tracked”、“layer3.8.conv2.weight”、“layer3.8.bn2.weight”、“layer3.8.bn2.bias”、“layer3.8.bn2.running_mean”、“layer3.8.bn2.running_var”、“ layer3.8.bn2.num_batches_tracked”。

我还尝试使用以下代码确保两个 state_dict 的键相同：

然后我得到了结果：

不在模型中时从 state_dict 打印键----------------------------

state_dict 中键的长度：344

模型中键的长度：344