output_1, output_2 = model(x)loss = cross_entropy_loss(output_1, target_1)loss.backward()optimizer.step()loss = cross_entropy_loss(output_2, target_2)loss.backward()optimizer.step()

然而，当我运行这段代码时，我得到了以下错误：

RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation: [torch.FloatTensor [1, 4]], which is output 0 of TBackward, is at version 2; expected version 1 instead. Hint: enable anomaly detection to find the operation that failed to compute its gradient, with torch.autograd.set_detect_anomaly(True).

那么，我想知道如何正确地训练一个具有两个或多个输出的模型

回答：

PyTorch（以及其他深度学习框架）的基础是基于标量损失函数的梯度反向传播。
在你的例子中，你有一个维度为2的向量损失函数：

[cross_entropy_loss(output_1, target_1), cross_entropy_loss(output_2, target_2)]

你需要决定如何将这两个损失合并为一个单一的标量损失。
例如：

weight = 0.5  # 相对权重loss = weight * cross_entropy_loss(output_1, target_1) + (1. - weight) * cross_entropy_loss(output_2, target_2)# 现在loss是一个标量loss.backward()optimizer.step()