Deep learning 如何将Pytorch模块（具有就地操作）更改为可微的？

我的层是这样的（我制作了一个LSTM层，在每个时间步中应用了dropout，输入经过10次，然后返回输出的平均值）

导入火炬
从火炬进口
类随机LSTM（nn.Module）：
定义初始值（自身、输入大小：int、隐藏大小：int、退出率：float）：
"""
Args：
-辍学率：应介于0和1之间
"""
超级（随机lstm，self）。\uuuu init\uuuu（）
self.iter=10
self.input\u size=输入大小
self.hidden\u size=隐藏的大小
如果不是0，则使用Python列表收集张量结果，并在末尾将列表堆叠成一个张量，例如，而不是

t = torch.zeros(5, 5)
for i in range(5):
    t[i,:] = ...

这样做

t = []
for i in range(5):
    t.append(...)
t = torch.stack(t)

相反，使用Python列表来收集张量结果，并在末尾将列表堆叠成一个张量，例如，而不是

t = torch.zeros(5, 5)
for i in range(5):
    t[i,:] = ...

这样做

t = []
for i in range(5):
    t.append(...)
t = torch.stack(t)