我用方案一解决
解决方案
方案1：使用代理（需要梯子）
在你的 Python 代码的开头加上如下代码
import os
os.environ['HTTP_PROXY'] = 'http://proxy_ip_address:port'
os.environ['HTTPS_PROXY'] = 'http://proxy_ip_address:port'其中 http://proxy_ip_address:port 中的 proxy_ip_address 和 port为开启梯子后
（windows）设置>网络和Internet>代理>手动设置代理>编辑代理服务器
中的代理IP地址和端口
代理IP地址:端口
例如在我的情况下就是
import os
os.environ['HTTP_PROXY'] = 'http://127.0.0.1:7890'
os.environ['HTTPS_PROXY'] = 'http://127.0.0.1:7890'
方案2：本地下载
进入 huggingface 找到自己想要的预训练模型，以 resnet34 为例，下面是 resnet34 在 huggingface 的仓库
从仓库中下载 model.safetensors 或者 pytorch_model.bin 文件
import timm
model = timm.create_model(
'resnet34',
pretrained=True,
pretrained_cfg_overlay=dict(file=r'path\to\checkpoint'),
)在调用 timm.create_model 时传入 pretrained_cfg_overlay 参数
其中 checkpoint 可以是 *.safetensors, *.bin, *.pth, *.pt, *.ckpt 等格式的存储模型权重的文件。
在传入 pretrained_cfg_overlay=dict(file=r'path\to\checkpoint') 参数后，默认的 pretrained_cfg 预训练 config 中会添加 file=r'path\to\checkpoint 键值对，导入模型权重时，代码会优先检查 config 中是否有 file 关键词，代码会优先从 file 中导入模型权重。
参见 Github 中 timm 源码：
load_from == 'file' | timm source code
关于导入config.json
从huggingface仓库中下载模型对应的config.json文件，按照下列方式传入参数
import json
import timm
path2cfg = r'path\to\config.json'
path2mdl = r'path\to\model.safetensors'
with open(path2cfg, "r", encoding="utf-8") as reader:
text = reader.read()
cfg_dict = json.loads(text)
model = timm.create_model(
'resnet34.a1_in1k',
pretrained=True,
pretrained_cfg=cfg_dict['pretrained_cfg'],
pretrained_cfg_overlay=dict(file=path2mdl),
)