PyTorch：理解运行时错误：梯度计算所需的变量之一已通过就地操作修改

下面是一个问题设置：

将rgb转换为hsv的函数：

def rbg2hsv(img_rgb):
    batch_size, channel, height, width = img_rgb.size()

    r, g, b = img_rgb[:, 0, :, :], img_rgb[:, 1, :, :], img_rgb[:, 2, :, :]

    t = torch.min(img_rgb, dim=1, keepdim=False)[0]
    v = torch.max(img_rgb, dim=1, keepdim=False)[0]

    s = (v - t) / (v + 1e-6)
    s[v == 0] = 0

    # v==r
    hr = 60 * (g - b) / (v - t + 1e-6)
    # v==g
    hg = 120 + 60 * (b - r) / (v - t + 1e-6)
    # v==b
    hb = 240 + 60 * (r - g) / (v - t + 1e-6)

    h = torch.zeros(batch_size, height, width, requires_grad=False)
    if torch.cuda.is_available():
        h = h.cuda()
    h = h.flatten()

    hr = hr.flatten()
    hg = hg.flatten()
    hb = hb.flatten()

    h[(v == b).flatten()] = hb[(v == b).flatten()]
    h[(v == g).flatten()] = hg[(v == g).flatten()]
    h[(v == r).flatten()] = hr[(v == r).flatten()]

    h[h < 0] += 360

    h = torch.reshape(h, (batch_size, height, width))

    img_hsv = torch.stack([h, s, v])
    img_hsv = img_hsv.permute(1, 0, 2, 3)

    return img_hsv

Variant

2:FAIL

失败并出现错误：

RuntimeError:gradient计算所需的一个变量已被一个就地操作修改：[torch.FloatTensor[1,2,32,32]]，它是ViewBackward的输出0，处于版本1；应为版本0。提示：使用torch.autograd.set\u detect\u normal（True），启用异常检测以查找无法计算其梯度的操作。

如果我将

rbg2hsv

更改为某个虚拟

add_fn

所有三种变体均有效：

def add_fn(x):
    x = x + 1
    return x

img_rgb = torch.rand(2, 3, 32, 32)
img_rgb.requires_grad = True
instance_norm = nn.InstanceNorm2d(1, affine=False)

gamma = 2
beta = 1

img_hsv = add_fn(img_rgb)

# 1: OK
#img_hsv[:,2:3,:,:] = img_hsv[:,2:3,:,:] * gamma + beta

# 2: OK
img_hsv[:,2:3,:,:] = instance_norm(img_hsv[:,2:3,:,:])

# 3: OK
#img_hsv[:,2:3,:,:] = instance_norm(img_hsv[:,2:3,:,:].clone())

img_hsv.mean().backward()

print('img_rgb.grad.size()', img_rgb.grad.size())

因此，我的问题是：

为什么变体1没有失败（似乎它也是张量的就地修改）

为什么将

rbg2hsv

更改为

add\fn

会使所有变体都工作？（即，

rbg2hsv

有问题吗？）

这里有一些类似的问题，但我仍然不理解当我们需要使用

.clone（）

时的规则，以及当不需要时的规则，即当某些操作考虑到位或不到位时的规则

def add_fn(x):
    x = x + 1
    return x

img_rgb = torch.rand(2, 3, 32, 32)
img_rgb.requires_grad = True
instance_norm = nn.InstanceNorm2d(1, affine=False)

gamma = 2
beta = 1

img_hsv = add_fn(img_rgb)

# 1: OK
#img_hsv[:,2:3,:,:] = img_hsv[:,2:3,:,:] * gamma + beta

# 2: OK
img_hsv[:,2:3,:,:] = instance_norm(img_hsv[:,2:3,:,:])

# 3: OK
#img_hsv[:,2:3,:,:] = instance_norm(img_hsv[:,2:3,:,:].clone())

img_hsv.mean().backward()

print('img_rgb.grad.size()', img_rgb.grad.size())