训练好的Pytorch模型在导入测试

最新推荐文章于 2024-06-23 18:54:35 发布
最新推荐文章于 2024-06-23 18:54:35 发布
阅读量3k 收藏 2
点赞数
分类专栏： 基本算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_32582681/article/details/103873552
版权

Missing key(s) in state_dict: “_conv_stem.weight”, “_bn0.weight”
Unexpected key(s) in state_dict: “module._conv_stem.weight”, “module._bn0.weight”,

生成的文件层名中多了module.前缀，原因是训练的时候你调用了model = torch.nn.DataParallel(model).cuda()

采取多GPU训练模型

解决方案1： 测试的时候加入model = torch.nn.DataParallel(model).cuda()
将定义的网络结构层名前面加上module.

解决方案2：for key in state_dict.keys(): 遍历每一层修改层名

羊羊羊爱吃草
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Detectron2错误：KeyError:‘model‘
guhuoone的博客
04-27 7345
我是在使用预训练模型是碰到的该问题： 问题所在：加载的预训练模型是pth格式的，但Detectron2因为你加载了pkl格式的预训练模型。而pkl格式与pth格式的预训练模型不同在于: pkl是weights['model']['roi_haed.mask_head.predictor.weight']格式的， pth是weights['roi_haed.mask_head.predictor.weight']格式的。 使用最简单的方法是修改官方的库文件： 点击到checkpoint.py文件
Python-用于训练和测试深度估计模型的参考PyTorch实现
08-12
用于训练和测试深度估计模型的参考PyTorch实现
利用pytorch搭建一个网络模型并训练、测试
最新发布
西街暖阳的博客
06-23 763
利用pytorch搭建一个网络模型，并进行训练、测试和验证的理论和代码实现。
PyTorch：模型训练、评估和预测
热门推荐
皮皮blog
10-21 1万+
模型训练、评估和预测。
Pytorch训练测试模型全流程超详细
m0_54393918的博客
03-15 4909
本文利用pytorch实现了图像分类的问题。将详细介绍如何使用pytorch一步步搭建模型，训练、测试和评估模型。在上一篇文章中利用torchvision下载了数据集，我们根据该数据进行图像分类。本文重点介绍整个搭建的流程，而不是模型本身，所以会选择一个很简单的网络模型进行图像分类。在前文中，我们下载了60000张已标注好的训练数据和10000张测试集，如下图现在，我们的数据以Pytorch数据集的形式存在；Dataloader将我们的数据集转换为Pytorch可迭代的对象；
Pytorch实现搭建自己的网络模型并训练测试
cheng_guai的博客
10-19 1769
这里对比了两次训练之后的精度与损失图像，可以看出，在接近40轮训练之后，损失开始上升了，这是因为本身的数据集太小，训练的次数过多时，模型开始过度拟合训练数据，验证误差开始上升，即是过拟合现象，当然模型的具体性能还与模型架构和复杂性、学习率和优化器等等有关。分别传入一个三角形和四边形的图片，可以看到识别成功了，但是由于模型较小，自己制作的数据集太小等问题精确度还是有所不足，在多次测试中还是会出现识别错误的情况。画出精确度和损失的图像，便于观察，我这里进行了图像的保存，保存图像的位置和名称可以自行更改。
Pytorch学习 day14（模型的验证步骤）
丿罗小黑的博客
03-13 794
【代码】Pytorch学习 day14（模型的验证步骤）
基于Pytorch的LSTMTagger模型建立训练以及测试实现
05-08
在这个项目的Python脚本"基于Pytorch的LSTMTagger模型建立训练以及测试实现.py"中，详细步骤可能包括： 1. 导入必要的库，如PyTorch的`torch`和`torch.nn`。 2. 数据预处理，包括加载数据、构建词汇表、创建词嵌入...
基于Pytorch的数据升维的线性网络模型搭建训练测试显示
05-04
通过这个项目，你不仅可以掌握PyTorch的基本用法，还能了解到数据升维在深度学习中的作用，以及如何结合线性模型进行有效的训练和测试。同时，通过实际运行代码，你还可以直观地看到数据升维和降维的效果。
EfficientNet-PyTorch 模型
07-01
2. **导入模型**：在代码中引入 `efficientnet.pytorch` 模块，并实例化所需版本的模型，例如 `model = EfficientNet.from_pretrained('efficientnet-b0')`。 3. **预处理**：根据 EfficientNet 的输入尺寸对图像...
Pytorch模型转onnx模型实例
09-18
文章以一个简洁的例子为读者展示了如何将Pytorch模型转换为ONNX格式，并指出了在转换过程中可能遇到的一些问题及其解决方案。通过这篇实例，读者应该能够掌握Pytorch模型转ONNX的基本流程，以及在遇到困难时如何进行...
pytorch训练cifar100测试单GPU效率代码
08-25
这个代码示例展示了如何使用PyTorch在单个GPU上训练CIFAR-100数据集的简单CNN模型，并进行效率测试。通过调整网络结构、优化器参数和批次大小，可以进一步优化模型的性能和GPU利用率。同时，注意在实际项目中，可能...
KeyError: ‘model.2.cv2.bn‘
AI浩
12-07 1293
在做YoloV5剪枝的时候，出现的问题。问题如下： 分析原因 由于yoloV5有不同的版本，我们在训练的时候使用了预训练模型，但是预训练模型和这个版本的配置文件（yaml文件）不一致，所以在做剪枝的时候就会报错。在做稀疏训练的时候指定yaml模型文件。
（９）训练时报错KeyError: ‘conv1.1.0.weight‘
weixin_40227656的博客
07-17 8892
将B_mobilenet_yolov4_lite的PANet改为原来的3x3卷积，命名为L_mobilenet-yolov4_VOC，即将B_yolov4的主干网络换为mobilenet，训练时报错： Traceback (most recent call last): File "/home/lidan/PycharmProjects/yolov4/L_mobilenet-yolov4_VOC_0717/train.py", line 221, in <module> pret
深度学习模型tensor维度对不上怎么办
深圳实习已跑路
11-30 5079
深度学习模型tensor维度对不上是一个非常常见且有时比较难排查的现象。之所以难排查是因为报错信息和真实的错误原因之间的联系往往并不紧密，很难仅仅从PyTorch给出的数字上的信息判断错误在何处。 笔者在一个训练好的模型上测试单个样本时出现了这个问题，一度排查了图片读取、图片通道数等问题，最后发现原因在于forward部分的代码是针对batch编写的，所以输入的格式是四维的BxCxHxW，而测试单个样本时输入是三维的，所以只需要一行img=img.unsqueeze(0)就解决了这个浪费了一上午 + 一下午
unexpected key “model.conv1.weight” in state_dict
温瞳
01-10 2736
被自己都蠢哭了～～ 一直报错没有调整过来，以为是key的问题，后来发现是自己导入key的方式有问题，周末要好好研究一下这个 state_dict，以免之后再次出现这种超级低级的错误！！ 之前的问题是 unexpected key “model.conv1.weight” in state_dict 其实是我载入模型参数时，我使用的是 model_reid.model.load_state_dict...
Pytorch 预训练模型加载参数，VOC2007数据处理及数据集分类文件夹整理
冬炫的博客
09-26 1558
model = Unet(3, 1)#,) from torchsummaryX import summary #summary(model, torch.zeros(5, 3, 512, 512)) for name in model.state_dict(): print(" %s : %s" % (name, model.state_dict()[name].shape)) #print(model.state_dict()[name])#这个是weight bias 对应的数值 .
解决KeyError: 'unexpected key "module.encoder.embedding.weight" in state_dict'
weixin_43310928的博客
03-20 2105
原因： 可能是之前训练的时候开了nn.DataParallel，造成了储存模型的时候是放在module里面的。 解决方案： 1、关掉nn.DataParallel 重新训练权重文件 2、模型参数文件是以OrderDict储存，可以手动去除尝试一下 3、新的模型训练的时候开启nn.DataParallel尝试一下 ...
pytorch导入模型并进行测试
05-05
导入模型并进行测试的步骤如下： 1. 安装PyTorch和相关依赖。 2. 加载模型。使用`torch.load()`函数加载已训练好的模型参数。 ```python import torch # 加载模型 model = torch.load('model.pth') ``` 3. 准备测试数据。根据模型输入数据的格式准备测试数据。 ```python # 准备测试数据 test_data = [ [0.1, 0.2, 0.3], [0.4, 0.5, 0.6] ] ``` 4. 将测试数据转换为PyTorch张量。 ```python # 转换为PyTorch张量 test_data_tensor = torch.tensor(test_data) ``` 5. 将模型设置为评估模式。使用`model.eval()`函数将模型设置为评估模式。 ```python # 将模型设置为评估模式 model.eval() ``` 6. 使用模型进行推断。将测试数据输入模型，得到模型的输出结果。 ```python # 使用模型进行推断 with torch.no_grad(): output = model(test_data_tensor) ``` 7. 处理输出结果。根据模型输出的格式对结果进行进一步处理。 ```python # 处理输出结果 print(output) ``` 完整的代码示例： ```python import torch # 加载模型 model = torch.load('model.pth') # 准备测试数据 test_data = [ [0.1, 0.2, 0.3], [0.4, 0.5, 0.6] ] # 转换为PyTorch张量 test_data_tensor = torch.tensor(test_data) # 将模型设置为评估模式 model.eval() # 使用模型进行推断 with torch.no_grad(): output = model(test_data_tensor) # 处理输出结果 print(output) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值