Machine learning Pytorch，切片张量导致运行时错误：：梯度计算所需的变量之一已通过就地操作修改：

我用Pycharm用LSTM cell写了一个RNN。这种网络的特点是，RNN的输出被输入到积分运算中，用龙格库塔法计算。 集成需要一些输入，并在时间上提前一步进行传播。为了做到这一点，我需要沿着批处理维度切片特征张量X，并将其传递给Runge-kutta

MyLSTM类（火炬模块）：
定义初始值（self，ni，no，采样间隔，nh=10，nlayers=1）：
超级（MyLSTM，self）。\uuuu init\uuuuu（）
self.device=火炬装置（“cpu”）
self.dtype=torch.float
self.ni=ni
self.no=否
self.nh=nh
self.nlayers=nlayers
self.lstms=torch.nn.ModuleList(
[torch.nn.LSTMCell（self.ni，self.nh）]+[torch.nn.LSTMCell（self.nh，self.nh）用于范围内的i（nlayers-1）]）
self.out=torch.nn.Linear（self.nh，self.no）
self.do=torch.nn.辍学率（p=0.2）
self.actfn=torch.nn.Sigmoid（）
self.sampling\u interval=采样间隔
self.scaler_states=无
#选择权
#整个区块的描述
def向前（自身、x、h0、序列=假、积分=真）：
x0=x.clone（）.需要梯度（真）
hs=x#启动隐藏状态
如果h0为无：
h=焊炬零点（hs.形状[0]，self.nh，设备=self.device）
c=焊炬零点（hs.形状[0]，self.nh，设备=self.device）
其他：
（h，c）=h0
#LSTM单元
对于范围内的i（self.nlayers）：
h、 c=自身lstms[i]（hs，（h，c））
如果列车：
hs=自身do（h）
其他：
hs=h
#输出层
#y=自动作Fn（自输出（hs））
y=自输出（hs）
如果集成代码：
p=y
y=自积分（x0，p）
返回y，（h，c）
def集成（自、x0、p）：
#RK4每间隔步数
M=4
DT=自采样间隔/M
X=x0
#X=self.scaler\u特征。逆变换（x0）
对于范围内的b（X.shape[0]）：
xx=X[b，：]
对于范围内的j（M）：
k1=self.ode（xx，p[b，：]））
k2=self.ode（xx+DT/2*k1，p[b:]）
k3=自赋（xx+DT/2*k2，p[b，：]）
k4=自赋（xx+DT*k3，p[b:]）
xx=xx+DT/6*（k1+2*k2+2*k3+k4）
X_all[b，：]=xx
返回X_all
定义常微分方程（自、x0、y）：
#这里我要介绍一个动态模型

我得到这个错误：

RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation: [torch.FloatTensor []], which is output 0 of SelectBackward, is at version 64; expected version 63 instead. Hint: enable anomaly detection to find the operation that failed to compute its gradient, with torch.autograd.set_detect_anomaly(True).

问题出在操作中

xx=X[b，：]

和

p[b，：]

。我知道，因为我选择了批次维度1，所以我可以用

xx=X

和

p

替换前面的两个方程，这是可行的。如何在不失去梯度的情况下分裂张量