使用strict=false加载预训练权重导致每次推理结果不同，根本原因是未从checkpoint字典中正确提取模型参数（如res50_state['model']），而是直接传入整个保存的字典，导致bn层统计量和dropout等状态未被正确恢复。
在PyTorch中，模型权重的一致性与可复现性高度依赖于state_dict的完整加载——尤其是BatchNorm层的running_mean、running_var以及num_batches_tracked等缓冲区（buffers）必须准确恢复，否则即使输入相同，BN层的归一化行为也会因内部统计量缺失而随机化，进而引发输出波动。
你遇到的问题非常典型：所用checkpoint（rsp-resnet-50-ckpt.pth）并非纯模型权重文件，而是一个训练快照（training checkpoint），其结构为：
{
'model': {...}, # ← 真正的模型state_dict（含weights + buffers）
'optimizer': {...},
'lr_scheduler': {...},
'epoch': 100,
'max_accuracy': 0.92,
'config': {...}
}当你执行 res50.load_state_dict(res50_state, strict=False) 时，PyTorch试图将整个字典（含'optimizer'、'config'等非参数键）匹配到模型结构，这不仅失败（触发strict=False跳过），更严重的是：所有BN层的缓冲区（如running_mean, running_var）均未被加载，它们保持初始化的随机/零值状态。而BN在eval()模式下依赖这些统计量进行确定性归一化；若缺失，PyTorch会回退到训练模式逻辑（或触发未定义行为），导致输出不可复现。
✅ 正确做法是显式提取'model'子字典：
import torch
from torchvision.models import resnet50
# 注意：必须指定正确的num_classes！该模型在Scene Recognition任务中输出30类
res50 = resnet50(num_classes=30) # ❗关键：不能用默认num_classes=1000或51
# 加载checkpoint并提取模型权重
checkpoint = torch.load("rsp-resnet-50-ckpt.pth")
res50.load_state_dict(checkpoint['model'], strict=True) # ✅ 推荐strict=True验证完整性
# 切换至评估模式（确保BN和Dropout行为确定）
res50.eval()
# 可选：固定随机种子以进一步增强可复现性
torch.manual_seed(42)
if torch.cuda.is_available():
torch.cuda.manual_seed_all(42)? 为什么strict=True现在可行？
因为checkpoint['model']中的key（如'layer1.0.conv1.weight'）与标准ResNet50的state_dict结构完全对齐——你之前看到的“Missing keys”报错，源于把整个checkpoint字典（含'optimizer'等）误当作了state_dict。
⚠️ 重要注意事项：
- 类别数必须匹配：该预训练模型针对30类场景分类（如MIT Indoor, SUN397等混合数据集），若使用resnet50(num_classes=1000)，最终全连接层尺寸不匹配，load_state_dict会报size mismatch错误；
- 务必调用.eval()：BN和Dropout层在train()模式下具有随机性，部署推理必须启用eval()；
- 避免strict=False滥用：它仅应作为临时调试手段。成功加载后应看到<All keys matched successfully>提示，表明所有参数与缓冲区均已精确还原；
-
验证加载效果：可对比加载前后某一层权重是否一致：
print("FC weight loaded:", torch.equal( res50.fc.weight.data, checkpoint['model']['fc.weight'] )) # 应输出True
通过精准提取checkpoint['model']并严格匹配模型结构，你将获得完全确定性的推理结果——同一图像在任意运行中输出恒定，满足生产部署与科研复现的核心要求。
