微调自定义ResNet18架构后如何继续使用预训练权重无需从头训练

报错原因 #

你新增的layer_attend1层的参数不存在于旧检查点文件中，PyTorch默认的load_state_dict方法要求模型结构和检查点的参数键完全匹配才会执行加载，因此触发缺失键的报错。

核心问题解答 #

只要你没有修改ResNet18原有基础层的结构（卷积通道数、卷积核尺寸、层排列顺序等核心属性未改动），仅新增自定义层的情况下，完全可以正常设置pretrained=True使用预训练模式，官方预训练权重会正常加载到结构匹配的原有层上，新增层会走默认初始化逻辑，不会互相影响。

小幅改动后加载旧检查点的解决方案 #

方法1：开启非严格加载（最便捷） #

给load_state_dict添加strict=False参数即可，PyTorch会自动忽略缺失的键和多余的键，原有结构匹配的参数会正常加载：

tnet.load_state_dict(checkpoint['state_dict'], strict=False)

说明：新增的自定义层会保持初始化状态，后续训练过程中会和其他参数一起更新，不需要从头训练整个模型。

方法2：手动过滤参数（更可控） #

如果需要明确控制加载的参数，你可以手动过滤出检查点和当前模型匹配的参数后再更新：

# 获取当前模型的参数字典
model_dict = tnet.state_dict()
# 筛选出检查点中存在且和当前模型匹配的参数
matched_pretrained_dict = {k: v for k, v in checkpoint['state_dict'].items() if k in model_dict}
# 更新当前模型的参数字典
model_dict.update(matched_pretrained_dict)
# 加载更新后的参数字典
tnet.load_state_dict(model_dict)

附加警告处理 #

你遇到的transforms.Scale弃用警告，只需将代码中所有的transforms.Scale替换为transforms.Resize即可消除。

内容的提问来源于stack exchange，提问作者Mona Jalal