RuntimeError: Error(s) in loading state_dict for BASE_Transformer

最近跑一个深度学习变化检测的项目BIT_CD，严格按照作者的说明页进行训练和测试，但是跑出来的模型就是无法正常工作，而用作者的预训练模型就正常工作，百思不得其解，根据错误，逐步调试，输出，总算是找到了问题的所在！

其实这个问题如果对于老手，估计一下子就解决了，但是对于刚刚接触深度学习的新人，要发现并且解决这个问题确实需要费不少功夫。

那么，这里就记录一下这个问题的解决过程！

首先，错误的具体内容如下：

Traceback (most recent call last):
  File "D:/Tools/MyScript/BIT_CD/eval_cd.py", line 58, in 
    main()
  File "D:/Tools/MyScript/BIT_CD/eval_cd.py", line 54, in main
    model.eval_models(checkpoint_name=args.checkpoint_name)
  File "D:\Tools\MyScript\BIT_CD\models\evaluator.py", line 158, in eval_models
    self._load_checkpoint(checkpoint_name)
  File "D:\Tools\MyScript\BIT_CD\models\evaluator.py", line 70, in _load_checkpoint
    self.net_G.load_state_dict(checkpoint['model_G_state_dict'])
  File "D:\MyItems\Anaconda\envs\pytorch\lib\site-packages\torch\nn\modules\module.py", line 1483, in load_state_dict
    self.__class__.__name__, "\n\t".join(error_msgs)))
RuntimeError: Error(s) in loading state_dict for BASE_Transformer:
	size mismatch for transformer_decoder.layers.0.0.fn.fn.to_q.weight: copying a param with shape torch.Size([512, 32]) from checkpoint, the shape in current model is torch.Size([64, 32]).
	size mismatch for transformer_decoder.layers.0.0.fn.fn.to_k.weight: copying a param with shape torch.Size([512, 32]) from checkpoint, the shape in current model is torch.Size([64, 32]).
	size mismatch for transformer_decoder.layers.0.0.fn.fn.to_v.weight: copying a param with shape torch.Size([512, 32]) from checkpoint, the shape in current model is torch.Size([64, 32]).
	size mismatch for transformer_decoder.layers.0.0.fn.fn.to_out.0.weight: copying a param with shape torch.Size([32, 512]) from checkpoint, the shape in current model is torch.Size([32, 64]).

根据页面提示的错误，可以知道是加载模型中的state_dict维度不匹配。

于是，我尝试输出预训练模型，和我自己训练的模型的内容进行比较。

 结果，我一脸懵逼，看不出个所以然来，维度太高，括号太多，根本没法看。

但是可以注意到，两个模型中都存在model_G_state_dict关键字。

因为这样实在不好看维度，于是我换了一个输出方式，查看了mydict的类型，直接输出维度。

            mydict = checkpoint['model_G_state_dict']
 
            for k, v in mydict.items():
                print (k, '========' ,v.shape)

此时问题一目了然，中间层的维度不对，跟报错内容一致。

作者的预训练模型中间某个维度是64,32 而我训练出来的模型是512,32。

根据出错的提示

BASE_Transformer

以及transformer_decoder.layers，继续寻找出错位置。

经过整个工程搜索，来到代码位置：

class BASE_Transformer(ResNet):
    """
    Resnet of 8 downsampling + BIT + bitemporal feature Differencing + a small CNN
    """
    def __init__(self, input_nc, output_nc, with_pos, resnet_stages_num=5,
                 token_len=4, token_trans=True,
                 enc_depth=1, dec_depth=1,
                 dim_head=64, decoder_dim_head=64,
                 tokenizer=True, if_upsample_2x=True,
                 pool_mode='max', pool_size=2,
                 backbone='resnet18',
                 decoder_softmax=True, with_decoder_pos=None,
                 with_decoder=True):
        super(BASE_Transformer, self).__init__(input_nc, output_nc,backbone=backbone,
                                             resnet_stages_num=resnet_stages_num,
                                               if_upsample_2x=if_upsample_2x,
                                               )

断点调试，跳出，得到位置：

self.net_G = define_G(args=args, gpu_ids=args.gpu_ids)

输出这个self.net_G查看，可以发现此处的模型与预训练的模型已经不一致，那为何不一致呢？

关键跳转函数：

def define_G(args, init_type='normal', init_gain=0.02, gpu_ids=[]):
    if args.net_G == 'base_resnet18':
        net = ResNet(input_nc=3, output_nc=2, output_sigmoid=False)
 
    elif args.net_G == 'base_transformer_pos_s4':
        net = BASE_Transformer(input_nc=3, output_nc=2, token_len=4, resnet_stages_num=4,
                             with_pos='learned')
 
    elif args.net_G == 'base_transformer_pos_s4_dd8':
        net = BASE_Transformer(input_nc=3, output_nc=2, token_len=4, resnet_stages_num=4,
                             with_pos='learned', enc_depth=1, dec_depth=8)
 
    elif args.net_G == 'base_transformer_pos_s4_dd8_dedim8':
        net = BASE_Transformer(input_nc=3, output_nc=2, token_len=4, resnet_stages_num=4,
                             with_pos='learned', enc_depth=1, dec_depth=8, decoder_dim_head=8)
 
    else:
        raise NotImplementedError('Generator model name [%s] is not recognized' % args.net_G)
    return init_net(net, init_type, init_gain, gpu_ids)

最终定位到原因，原来训练模型和测试模型使用的模型不同！

于是这就好办了，修改测试代码模型参数即可。

    parser.add_argument('--net_G', default='base_transformer_pos_s4_dd8_dedim8', type=str,
                        help='base_resnet18 | base_transformer_pos_s4_dd8 | base_transformer_pos_s4_dd8_dedim8|')

至此，成功训练并测试模型，问题解决！

虽然是个并不复杂的问题，但是我花了一天半的时间才完全解决，解决的过程中经过了无数次的尝试，测试和分析，最终成功解决了问题！

回过头看，这其实是一个很简单的问题，但是我仍然很高兴自己能够逐步分析，测试，最终找到正确的解决办法，而做到更深入地理解了代码。

本次遇到的问题比较特别，在网上几乎找不到答案，但是找到了跟我遇到相同问题的人，不管怎么说，这都是一件值得纪念的事情。