项目场景：

在多GPU环境下用Pytorch训练的Resnet分类网络

---

问题描述

卷积神经网络ResNet训练好之后，测试环境或测试代码用了单GPU版或CPU版，在加载网络的时候报错，报错处代码为：

net.load_state_dict(torch.load(args.weights))

报错如下：

RuntimeError: Error(s) in loading state_dict for ResNet: 
	Missing key(s) in state_dict: "conv1.0.weights", "conv1.1.weights", "conv1.1.bias", ...

---

原因分析：

出现这种报错的原因主要是，state_dict加载模型权重时，参数不匹配。可能是PyTorch版本环境不一致、torch.nn.DataParallel()关键字不匹配、训练环境与测试环境GPU不同。

我遇见这种报错，一次是因为GPU进行训练，CPU进行测试；另一次是多GPU进行训练，测试时对GPU部分的处理，没有按照训练时做多GPU处理，是单GPU。

---

解决方案：

情况一：多GPU训练，测试时代码为单GPU
解决方案：在环境中定义GPU为多GPU，定义关键字torch.nn.DataParallel()

import torch.nn as nn
import os

os.environ["CUDA_VISIBLE_DEVICES"] = "0, 1, 2, 3"

if __name__ == '__main__':
	# 此处为测试代码对接收参数的初始化
	parser = argparse.ArgumentParser()
	parser.add_argument('-gpu', action='store_true', default=True, help='use gpu or not')
	......
	......
	......

	# 加载网络
	net = get_network(args)
	
	# 以下为多GPU环境增加代码，以解决本博客中提到的报错问题
	net = net.cuda()
	net = nn.DataParallel(net, device_ids=[0, 1, 2, 3])
	
	# 以下为原始测试代码部分
	net.load_dict(torch.load(args.weights))
	net.eval()
	......
	......
	......
		

情况二：GPU训练，测试时代码为CPU
解决方案：在加载模型权重时，设置 map_location='cpu'

if __name__ == '__main__':
	# 此处为测试代码对接收参数的初始化
	parser = argparse.ArgumentParser()
	parser.add_argument('-gpu', action='store_true', default=True, help='use gpu or not')
	......
	......
	......

	# 加载网络
	net = get_network(args)
	
	
	# 以下为原始测试代码部分
	# net.load_dict(torch.load(args.weights))
	# 改为cpu模式
	net.load_dict(torch.load(args.weights, map_location='cpu'))
	net.eval()
	......
	......
	......
		

情况二还有可能出现的报错提示如下：

RuntimeError: Attempting to deserialize object on a CUDA device but torch.cuda.is_available() is False. If you are running on a CPU-only machine, please use torch.load with map_location=torch.device('cpu') to map your storages to the CPU.

参考博文：

please use torch.load with map_location=torch.device(‘cpu‘) to map your storages to the CPU.

还有训练与测试参数不匹配的情况可以参考博文：

【错误记录】RuntimeError: Error(s) in loading state_dict for DataParallel: size mismatch for module