Jit 报错TracingCheckError：ERROR: Graphs differed across invocations!

问题描述

使用Tinynn将Pytorch转化为tflite时报错：

发生异常: TracingCheckError       (note: full exception trace is shown but execution is paused at: _run_module_as_main)
Tracing failed sanity checks!
ERROR: Graphs differed across invocations!
	Graph diff:
		  graph(%self.1 : __torch__.model.Musicnn_NPU,
		        %x.1 : Tensor):
		    %dense2 : __torch__.torch.nn.modules.linear.Linear = prim::GetAttr[name="dense2"](%self.1)
          .............
    First diverging operator:
	Node diff:
		- %dense2 : __torch__.torch.nn.modules.linear.___torch_mangle_64.Linear = prim::GetAttr[name="dense2"](%self.1)
		?                                                             ^
		+ %dense2 : __torch__.torch.nn.modules.linear.___torch_mangle_143.Linear = prim::GetAttr[name="dense2"](%self.1)
		?

这个错误是指追踪（Tracing）过程中的健全性检查（sanity checks）失败。

ERROR: Graphs differed across invocations!：错误表明在不同的调用（invocations）中，计算图（Graphs）不一致。

First diverging operator:：指出了导致计算图出现差异的第一个操作符（operator）。

原因以及解决方法

模型中包含随机操作（如dropout或随机初始化），每次执行时可能会产生不同的结果，导致计算图不一致，如我使用的模型：

        out = self.relu(self.bn(self.dense1(out)))
        out = self.dropout(out)
        out = self.dense2(out)
        # out = nn.Sigmoid()(out)
        # [ruihai.jing]module changed cause of quantized error--start
        out = nn.functional.sigmoid(out)

第一个报错的层在self.dense2(out)，因为上面有dropout操作，把这个操作注释掉就可以。