PyTorchテキスト分類　学習済みモデルの利用

前提・実現したいこと

PyTorchでテキスト分類モデルを作りたいと考えています。

単語数105個で学習したモデルを
「torch.save」でpthファイルに保存して使っています。

学習時と同じ105単語のデータではエラーは出ずに、予測ができました。

しかし、108単語のデータを予測しようと思い
「model.load_state_dict」でpthファイルを読み込むと、下記のエラーになりました。

学習時には無かった新たな単語を含んでいる場合、どのように書くべきなのでしょうか。

そもそも、新しい単語がある場合は再度学習が必要になるなど
考え方が間違っていたらご指摘いただけると助かります。

何卒よろしくお願いいたします。

参考にしたサイト：https://qiita.com/m__k/items/db1a81bb06607d5b0ec5

発生している問題・エラーメッセージ

エラーメッセージ
RuntimeError: Error(s) in loading state_dict for LSTMClassifier:
	size mismatch for word_embeddings.weight: copying a param with shape torch.Size([105, 100]) from checkpoint, the shape in current model is torch.Size([108, 100]).

該当のソースコード

python
1ソースコード
2class LSTMClassifier(nn.Module):
3    def __init__(self, embedding_dim, hidden_dim, vocab_size, tagset_size):
4        super(LSTMClassifier, self).__init__()
5        self.hidden_dim = hidden_dim
6        self.word_embeddings = nn.Embedding(vocab_size, embedding_dim, padding_idx=0)
7        self.lstm = nn.LSTM(embedding_dim, hidden_dim, batch_first=True)
8        self.hidden2tag = nn.Linear(hidden_dim, tagset_size)
9        self.softmax = nn.LogSoftmax()
10
11    def forward(self, sentence):
12        embeds = self.word_embeddings(sentence)
13        _, lstm_out = self.lstm(embeds)
14        tag_space = self.hidden2tag(lstm_out[0])
15        tag_scores = self.softmax(tag_space.squeeze())
16        return tag_scores
17
18model = LSTMClassifier(EMBEDDING_DIM, HIDDEN_DIM, VOCAB_SIZE, TAG_SIZE).to(device)
19loss_function = nn.NLLLoss()
20
21optimizer = optim.Adam(model.parameters(), lr=0.001)
22
23model.load_state_dict(torch.load("xxxx.pth"))