彻底解决：One of the differentiated Tensors appears to not have been used in the graph. Set allow_unused=

代码：

get_grads = torch.autograd.grad(loss, model.parameters())

完整的报错：

    return Variable._execution_engine.run_backward(  # Calls into the C++ engine to run the backward pass
RuntimeError: One of the differentiated Tensors appears to not have been used in the graph. Set allow_unused=True if this is the desired behavior.

对这个报错已经很多次了，可以说是相当熟练了。

上面报错是因为在手动求梯度的时候，网络里面有初始化后的权重，但是没有用到，所以就会显示为：在用该网络得到的loss与输入求Loss的时候就报改错。

几行代码，让你直接找到空的tensor(找到空的权重层)，不用一个一个取分析网络了！！

如下：

1. 首先对手动求梯度加上属性：allow_unused=True（这不能解决根本问题，只是为了找到错误）

2. 使用key，value来迭代输出model.parameter中的哪个权重层是空tensor即可

gradient = torch.autograd.grad(
            outputs=loss,
            inputs=list(model.parameters()),
            allow_unused=True,  # 设置 allow_unused=True
        )

        # 获取模型的参数名称与参数值的映射
        model_state_dict = model.state_dict()

        # 打印梯度为None的张量对应的参数名称
        for i, grad in enumerate(gradient):
            if grad is None:
                param_name = list(model_state_dict.keys())[i]
                print(f"Gradient for parameter '{param_name}' is None")