YOLOv8添加DCNv3可变形卷积报错张量不匹配

 加入dcnv3代码后报错：

问题：

sampling_locations = (ref + grid * offset_scale).repeat(N_, 1, 1, 1, 1).flatten(3, 4) + \
RuntimeError: The size of tensor a (16) must match the size of tensor b (32) at non-singleton dimension 2

       报错张量不匹配问题可能出现在上述地方也可能是其他地方，但原因都是因为输入要求的数据是16位浮点数，但出现的是32位浮点型。导致当我们把数据放在gpu上训练时要求的数据是16位，而dcnv3内的数据是32位，会放在cpu上进行训练，结果会导致一个错误是数据

张量不匹配，另一个是训练时会出现两个device，一个是gpu，另一个是cpu。

 解决办法：

将ops--_dcnv3文件夹中functions文件夹中的dcnv3_func.py中函数

_get_reference_points 与  _generate_dilation_grids中的 dtype=torch.float32 替换为 dtype=torch.float16，让代码在进行dcnv3相关的数据计算时的数据类型为16位浮点型而不是32位浮点型，让它在gpu上计算而不是cpu上计算，这样就能让 ref 与 grid 参数在gpu上进行计算。

def _get_reference_points(spatial_shapes, device, kernel_h, kernel_w, dilation_h, dilation_w, pad_h=0, pad_w=0, stride_h=1, stride_w=1):
    _, H_, W_, _ = spatial_shapes
    H_out = (H_ - (dilation_h * (kernel_h - 1) + 1)) // stride_h + 1
    W_out = (W_ - (dilation_w * (kernel_w - 1) + 1)) // stride_w + 1

    ref_y, ref_x = torch.meshgrid(
        torch.linspace(
            # pad_h + 0.5,
            # H_ - pad_h - 0.5,
            (dilation_h * (kernel_h - 1)) // 2 + 0.5,
            (dilation_h * (kernel_h - 1)) // 2 + 0.5 + (H_out - 1) * stride_h,
            H_out,
            dtype=torch.float16,   ##torch.float32
            device=device),
        torch.linspace(
            # pad_w + 0.5,
            # W_ - pad_w - 0.5,
            (dilation_w * (kernel_w - 1)) // 2 + 0.5,
            (dilation_w * (kernel_w - 1)) // 2 + 0.5 + (W_out - 1) * stride_w,
            W_out,
            dtype=torch.float32,
            device=device))
    ref_y = ref_y.reshape(-1)[None] / H_
    ref_x = ref_x.reshape(-1)[None] / W_

    ref = torch.stack((ref_x, ref_y), -1).reshape(
        1, H_out, W_out, 1, 2)

    return ref


def _generate_dilation_grids(spatial_shapes, kernel_h, kernel_w, dilation_h, dilation_w, group, device):
    _, H_, W_, _ = spatial_shapes
    points_list = []
    x, y = torch.meshgrid(
        torch.linspace(
            -((dilation_w * (kernel_w - 1)) // 2),
            -((dilation_w * (kernel_w - 1)) // 2) +
            (kernel_w - 1) * dilation_w, kernel_w,
            dtype=torch.float16,  #torch.float32
            device=device),
        torch.linspace(
            -((dilation_h * (kernel_h - 1)) // 2),
            -((dilation_h * (kernel_h - 1)) // 2) +
            (kernel_h - 1) * dilation_h, kernel_h,
            dtype=torch.float16,  #torch.float32
            device=device))

    points_list.extend([x / W_, y / H_])
    grid = torch.stack(points_list, -1).reshape(-1, 1, 2).\
        repeat(1, group, 1).permute(1, 0, 2)
    grid = grid.reshape(1, 1, 1, group * kernel_h * kernel_w, 2)

    return grid

上述方法不保证一定修改正确，，可能修改了别的什么我也不知道，但是能解决该问题 。