我知道，在使用loss.backward()时，如果有多个网络和多个损失函数需要分别优化每个网络，我们需要指定retain_graph=True。但即使指定（或不指定）这个参数，我还是会遇到错误。以下是一个最小工作示例（MWE），用于重现问题（在PyTorch 1.6上）。
当retain_graph设置为True时，我会得到以下错误：
RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation: [torch.FloatTensor [100, 300]], which is output 0 of TBackward, is at version 2; expected version 1 instead. Hint: the backtrace further above shows the operation that failed to compute its gradient. The variable in question was changed in there or anywhere later. Good luck!如果不使用该参数，得到的错误是：
RuntimeError: Trying to backward through the graph a second time, but the saved intermediate results have already been freed. Specify retain_graph=True when calling backward the first time.这是预期的错误。
请指出上述代码中需要做哪些更改才能开始训练。任何帮助都将不胜感激。
回答：
在这种情况下，可以断开计算图以排除不需要优化的参数。在本例中，应在第二次使用gru1进行前向传播后断开计算图，即：
....gru1_opt.step()gru1_output, _ = gru1(vector)gru1_output = gru1_output.detach()....这样，您就不会“尝试第二次通过图进行反向传播”，如错误消息中提到的。
