Variable._execution_engine.run_backward( # Calls into the C++ engine to run the backward pass RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation: [torch.cuda.FloatTensor [2, 1024, 18, 8, 16]], which is output 0 of ReluBackward0, is at version 1; expected version 0 instead. Hint: enable anomaly detection to find the operation that failed to compute its gradient, with torch.autograd.set_detect_anomaly(True).

这个错误是由于在反向传播过程中，某个变量被一个原地操作（inplace operation）修改了，导致梯度计算出现了错误。在这个错误信息中，被修改的变量是一个形状为 [2, 1024, 18, 8, 16] 的 torch.cuda.FloatTensor，它是 ReluBackward0 的输出 0，版本号为 1，但是期望版本号为 0。

为了找到导致这个错误的操作，可以使用 PyTorch 中的自动异常检测（autograd anomaly detection）。具体来说，可以在运行反向传播之前加上一行代码：

torch.autograd.set_detect_anomaly(True)

这样就会在出现梯度计算错误时，打印出导致错误的操作和相关信息，方便进行调试和修复。

相关问题

Variable._execution_engine.run_backward( # Calls into the C++ engine to run the backward pass RuntimeError: bad allocation

Variable._execution_engine.run_backward( # Calls into the C engine to run the backward pass RuntimeError: bad allocation是运行反向传播时引发的运行时错误。这个错误通常是由于内存分配问题引起的。可能是你的代码中使用了太多的内存，导致内存不足，无法进行分配。解决这个问题的方法可以是优化代码，减少内存使用量，或者增加可用的内存。

Variable._execution_engine.run_backward( # Calls into the C++ engine to run the backward pass

Variable._execution_engine.run_backward(是一个函数调用，用于运行反向传播过程的C引擎。它在计算图中执行反向传播，并计算梯度。根据引用中的错误信息，出现这个错误的原因是在计算图中的某个张量的梯度要求不需要梯度，但却尝试计算它的梯度。根据引用和引用[4]，解决这个问题的方法是确保在构建Variable时，将requires_grad参数设置为True，以便对该变量计算梯度。根据引用，可以使用torch.autograd.Variable来构建Variable，并设置requires_grad=True。这样，就可以解决这个问题。<span class="em">1</span><span class="em">2</span><span class="em">3</span><span class="em">4</span>