PyTorch加载训练好的MobileNetV2模型出现ConvBNReLU属性错误如何解决？

• 模型保存方式不规范：你训练时使用了torch.save(model, 存储路径)直接序列化整个模型实例，该方式高度依赖训练环境的torchvision版本。不同版本torchvision中MobileNet系列的内部类ConvBNReLU存储路径发生了变动，加载环境和训练环境版本不一致时，反序列化就找不到对应类触发报错。
• 加载路径存在错误可能：你写的预期加载路径是MobileNetV2的模型路径，但报错日志显示实际运行时加载的是models/MobileNetV3_CLEF_Small10/MobileNetV3_model_29.pt，先确认是否填错了加载路径。

临时修复（可快速解决当前加载问题） #

方案1（优先推荐）：先初始化模型结构再加载权重 #

这是PyTorch官方推荐的加载方式，完全规避环境类依赖问题，代码示例如下：

import torch
from torchvision import models
from torch import nn

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
num_classes = 10 # 替换为你训练时实际的分类数量

# 初始化和训练时完全一致的模型结构
model = models.mobilenet_v2(pretrained=False)
model.classifier = nn.Sequential(
    nn.Dropout(0.2),
    nn.Linear(model.last_channel, num_classes),
)
model = model.to(device)

# 加载已存储的模型数据，提取权重赋值给初始化好的结构
loaded_obj = torch.load("models/MobileNetV2_CLEF_Small10/MobileNetV2_model_29.pt", map_location=device)
if isinstance(loaded_obj, torch.nn.Module):
    state_dict = loaded_obj.state_dict()
else:
    state_dict = loaded_obj
model.load_state_dict(state_dict)

方案2：补全类导入 #

如果不想修改现有加载逻辑，可以在加载代码的最开头添加对应类的导入，让反序列化时可以找到ConvBNReLU：

# 根据你当前环境的torchvision版本选一行执行
from torchvision.models.mobilenetv2 import ConvBNReLU # 适配0.11及以上版本torchvision
# from torchvision.models.mobilenet import ConvBNReLU # 适配0.10及以下版本torchvision

# 之后执行你原来的加载代码即可
model = torch.load("models/MobileNetV2_CLEF_Small10/MobileNetV2_model_29.pt")

长期规范 #

后续训练完模型保存时，仅保存权重参数，不要保存整个模型实例，从根源避免版本依赖问题：

# 训练完成后用该代码保存
torch.save(model.state_dict(), "你的模型存储路径.pt")

内容的提问来源于stack exchange，提问作者frex