（９）训练时报错KeyError: ‘conv1.1.0.weight‘

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/PycharmProjects/yolov4/L_mobilenet-yolov4_VOC_0717/train.py", line 221, in 
    pretrained_dict = {k: v for k, v in pretrained_dict.items() if np.shape(model_dict[k]) == np.shape(v)}
  File "/home/PycharmProjects/yolov4/L_mobilenet-yolov4_VOC_0717/train.py", line 221, in 
    pretrained_dict = {k: v for k, v in pretrained_dict.items() if np.shape(model_dict[k]) == np.shape(v)}
KeyError: 'conv1.1.0.weight'

该问题的错误原因:加载的模型pretrained_dict文件中没有conv1.１.0.weight这个权重内容，打印网络模型和预训练模型的键值，发现键值不同。检查确定所有函数中的主干和权重等选择的都是同一个模型，且加载预训练权重也是mobilenet，即：网络结构一样，但结构命名不同。

尝试１：将220-222这三行代码注释掉，程序可以运行，但不知道会不会对结果造成影响。猜测：隐约记得所使用代码的主人在哪里说过，如果不加载主干权重默认加载他在VOC数据集上训练得到的权重，如果是这样的话再训练VOC数据集就。。。（将这三行注释掉后，打印model_dict好像是没有权重？也就是全是０或者１，这部分后续待探索）

尝试２：按照diudiu~bo的博客“Mobilenet-yolov4代码调试”记录，将

pretrained_dict = {k: v for k, v in pretrained_dict.items() if np.shape(model_dict[k]) ==  np.shape(v)}

替换为

pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}

结果：程序不再报错，可以运行，但貌似没有载入预训练权重，因为按照这样运行，在执行完

model_dict.update(pretrained_dict)后，打印model_dict，结果为空字典。

尝试３：分析预训练网络和当前网络，结构相同但命名不同，即对应的每一层名字不同，shape相同，因此，通过对比shape/size来载入预训练权重。参考https://blog.csdn.net/feizai1208917009/article/details/103598233#commentBox的方法一，将那一行代码替换为以下代码块：

# 取出预训练网络的参数字典
keys = []
    for k, v in pretrained_dict.items():
        keys.append(k)
    i = 0

    # 自己网络和预训练网络结构一致的层，使用预训练网络对应层的参数初始化
    for k, v in model_dict.items():
        if v.size() == pretrained_dict[keys[i]].size():
            model_dict[k] = pretrained_dict[keys[i]]
            i = i + 1
　　
　　　# print(model_dict)

将打印的model_dict的键值与预训练网络权重和原始model_dict对比，发现已正确载入预训练权重，即打印的结果为：model_dict的键和预训练网络权重的值。

但运行最后在if v.size() == pretrained_dict[keys[i]].size():这行报错：

IndexError: list index out of range

考虑是因为代码最后有i=i+1，在遍历完pretrained_dict之后，i又增加１，所以在下次循环时报错列表超出范围，因此，需要给i加个条件使遍历完pretrained_dict之后不进入循环，直接结束for循环，将代码改为如下格式：

# 取出预训练网络的参数字典
    keys = []
    j = 0
    for k, v in pretrained_dict.items():
        keys.append(k)
        j = j + 1
    # print(j)
    i = 0

    # 自己网络和预训练网络结构一致的层，使用预训练网络对应层的参数初始化
    for k, v in model_dict.items():
        if v.size() == pretrained_dict[keys[i]].size():
            model_dict[k] = pretrained_dict[keys[i]]
            i = i + 1
            if i >= j:
                break

    # print(model_dict)

增加k为pretrained_dict中键值对的数量，i应该不大于j，否则就要退出循环，成功运行程序，并打印正确的载入的权重。

心得总结：在优化程序时，debug不能直观的看到所有数据，因此应该及时打印网络参数及shape进行分析，更直观。