model.load_state_dict(pretrained_dict['model_state_dict'], strict=True)怎么删除无用的参数

你可以使用以下代码删除无用的参数：

pretrained_dict = torch.load('trained.pth')
model_dict = model.state_dict()
pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}
model.load_state_dict(pretrained_dict, strict=True)

这段代码将从预训练模型的参数字典中筛选出与新模型对应的参数，并将它们加载到新模型中。通过设置`strict=True`，不匹配的参数将会被抛弃。

相关问题

if pretrained: state_dict = torch.load('./model_data/mobilenetv3-large-1cd25616.pth') model.load_state_dict(state_dict, strict=True)

这是一个加载预训练模型权重的代码片段。如果 `pretrained` 为 `True`，则会从指定路径加载预训练模型的权重。这段代码首先使用 `torch.load` 方法加载预训练模型的权重文件，然后使用 `model.load_state_dict` 方法将权重加载到模型中。如果 `strict` 为 `True`，则会严格匹配权重文件和模型的参数名称和形状，不允许存在不匹配的情况。

log = model.load_state_dict(state_dict, strict=False) assert log.missing_keys == ['fc.weight', 'fc.bias']

这段代码的作用是将预训练模型的权重加载到当前模型中。`state_dict` 是一个字典类型的对象，它保存了预训练模型中每个参数的名称和对应的权重值。`model.load_state_dict(state_dict, strict=False)` 函数将这个字典中的权重值加载到当前模型中。

`strict=False` 的作用是允许加载部分权重。如果预训练模型中有一些参数在当前模型中没有对应的参数，或者形状不同，则会被忽略。加载完成后，函数会返回一个 `log` 对象，其中包含了加载过程中的一些信息，如缺失的参数名称列表等。

在这段代码中，我们用 `assert` 语句检查了加载过程中是否有缺失的参数。如果有，则会抛出一个异常，提示我们加载过程中出现了问题。这里的提示信息是 `log.missing_keys == ['fc.weight', 'fc.bias']`，即预训练模型中缺失了名为 `fc.weight` 和 `fc.bias` 的两个参数。