Unexpected key(s) in state_dict: "model", "date", "last_epoch", "optimizer", "lr_scheduler", "ema".

这个错误通常是由于加载模型时，模型的_dict与当前代码中定义的模型结构不匹配导致的。state_dict是一个字典对象，它将每个模型参数的名称映射到其对应的张量值。

在你提供的错误信息中，"model"、"date"、"last_epoch"、"optimizer"、"lr_scheduler"和"ema"都是state_dict中的键，但是在当前代码中没有对应的模型参数。

解决这个问题的方法是确保加载模型时，模型结构与当前代码中定义的模型结构一致。你可以检查模型定义和加载代码，确保它们匹配。另外，还可以尝试使用`strict=False`参数来加载模型，这样可以忽略一些不匹配的键。

相关问题

Missing key(s) in state_dict: "conv1.weight" Unexpected key(s) in state_dict: "model.conv1.weight",

这个问题发生在使用预训练模型的时候，可能是因为预训练模型的权重参数的key与当前模型的权重参数的key不匹配所致。可以尝试使用模型的load_state_dict方法，将预训练模型的权重参数加载到当前模型中。在加载时需要使用字典类型的参数进行匹配。例如，如果预训练模型中的key为"model.conv1.weight"，而当前模型中的key为"conv1.weight"，可以通过以下代码进行加载：

pretrained_dict = torch.load('pretrained_model.pth')
model_dict = model.state_dict()

# 将预训练模型的key中的"model."去掉
pretrained_dict = {k.replace("model.", ""): v for k, v in pretrained_dict.items()}

# 将预训练模型的参数加载到当前模型中
model_dict.update(pretrained_dict)
model.load_state_dict(model_dict)

这样就可以将预训练模型的权重参数加载到当前模型中了。

if isinstance(self.pretrained, str): self.apply(_init_weights) logger = get_root_logger() logger.info(f'load model from: {self.pretrained}') checkpoint = torch.load(self.pretrained, map_location='cpu') state_dict = checkpoint['model'] state_dict['patch_embed.proj.weight'] = state_dict['patch_embed.proj.weight'].unsqueeze(2).repeat(1,1,self.patch_size[0],1,1) / self.patch_size[0] ## Duplicate weights for temporal attention and temporal norm # new_state_dict = state_dict.copy() # for key in state_dict: # if 'blocks' in key and 'attn' in key and 'relative' not in key and 'mask' not in key: # new_key = key.replace('attn','temporal_attn') # if not new_key in state_dict: # new_state_dict[new_key] = state_dict[key] # else: # new_state_dict[new_key] = state_dict[new_key] # if 'blocks' in key and 'norm1' in key and 'relative' not in key and 'mask' not in key: # new_key = key.replace('norm1','temporal_norm') # if not new_key in state_dict: # new_state_dict[new_key] = state_dict[key] # else: # new_state_dict[new_key] = state_dict[new_key] # state_dict = new_state_dict msg = self.load_state_dict(state_dict, strict=False) logger.info('Missing keys: {}'.format(msg.missing_keys)) logger.info('Unexpected keys: {}'.format(msg.unexpected_keys)) logger.info(f"=> loaded successfully '{self.pretrained}'") del checkpoint torch.cuda.empty_cache() elif self.pretrained is None: self.apply(_init_weights) else: raise TypeError('pretrained must be a str or None')

这段代码主要是加载预训练模型的过程。如果传入的预训练模型是一个字符串，那么就会根据该字符串的路径加载模型。加载过程中会将模型的权重进行初始化，并将预训练模型的权重加载到新的模型中。如果预训练模型是 None，则会进行默认初始化。如果传入的预训练模型不是 str 或 None，则会抛出一个 TypeError。