使用torch.jit.trace另存模型为TorchScript格式出现的问题

问题1：
RuntimeError: 
Could not export Python function call 'Detect'. Remove calls to Python functions before export. Did you forget add @script or @script_method annotation? If this is a nn.ModuleList, add it to __constants__

字面解释：无法导出“Detect”函数，需要将其移除

解决方式：后处理过程无法被torch.jit.trace跟踪

①将后处理过程（Detect、NMS等，具体看报错的是哪个函数）从网络的forward函数中移出，可以将后处理过程单独定义一个函数，模型推理完再调用该函数进行后处理；

②检查模型导入时的设置，有些模型训练和测试调用的forward函数不同，导入模型时只需将相关参数设置成训练即可，以ssd.pytorch为例

net = build_ssd('test', 300, num_classes)#这样调用ssd模型，forward函数会调用detect后处理

只需将“test”改为“train”即可解决上述问题

问题2：[ CPUFloatType{8732,4} ]) of traced region did not have observable data dependence with trace inputs; this probably indicates your program cannot be understood by the tracer.

解决方式：检查模型forward函数的返回值是否为Tensor

像上述ssd返回的就是一个list，可以查看这几个元素的维度

可以对self.priors使用torch.unsqueeze升维为[1,8732,4]，然后再利用torch.cat对这三个元素进行拼接，具体如下：

output = torch.cat(
                (loc.view(loc.size(0), -1, 4),
                conf.view(conf.size(0), -1, self.num_classes),
                torch.unsqueeze(self.priors)), dim=2)

这样ssd推理就返回了一个tensor，后续可以采用切片操作对推理结果进行后处理，具体如下：

            #后处理部分
            softmax = nn.Softmax()
            loc_prd = results[:,:,0:4]
            conf_preds = softmax(torch.squeeze(results[:,:,4:25]))
            default_boxes = torch.squeeze(results[:,:,25:29]).type(type(x.data))
            post_process = Detect()
            
            detections = post_process.apply(21, 0, 200, 0.01, 0.45, loc_prd, conf_preds, default_boxes)