模型训练----对输入变量原地操作（inplace operation）报错

遇到报错one of the variables needed for gradient computation has been modified by an inplace operation。意思是对输入x原地操作（inplace operation），一个变量在反向传播过程中被修改了，而不是按照预期的版本（version 0）更新，导致梯度不正确。

使用这句代码定位报错位置

torch.autograd.set_detect_anomaly(True)

定位到报错后可以修改代码，这是我原来的forword代码，可以看到 x[i] = self.dilate_attention[i](qkv[i][0], qkv[i][1], qkv[i][2])这一句代码，将原来的x值原地替换，不能这样做

for i in range(self.num_dilation):
    x[i] = self.dilate_attention[i](qkv[i][0], qkv[i][1], qkv[i][2])
x = x.permute(1, 2, 3, 0, 4).reshape(B, H, W, C) #3,1,24,24,171-->1,24,24,513
x = self.proj(x)
x = self.proj_drop(x)

我们需要新建变量将这些值存起来最后赋值。新建一个列表，将值存入，最后使用cat统一（会丢失一个维度补上），然后就不报错了

x_i=[]
for i in range(self.num_dilation):
    x_i.append(self.dilate_attention[i](qkv[i][0], qkv[i][1], qkv[i][2]))
x =torch.cat(x_i,dim=0)#3,24,24,171
x = x.unsqueeze(1)#3,1,24,24,171
x = x.permute(1, 2, 3, 0, 4).reshape(B, H, W, C) #3,1,24,24,171-->1,24,24,513
x = self.proj(x)
x = self.proj_drop(x)