如何改变输出的神经网络和仍然火车？

我有一个神经网络，其产出 output. 我想改变 output 在之前的损失和backpropogation发生。

这里是我的通用代码:

with torch.set_grad_enabled(training):
                  outputs = net(x_batch[:, 0], x_batch[:, 1]) # the prediction of the NN
                  # My issue is here:
                  outputs = transform_torch(outputs)
                  loss = my_loss(outputs, y_batch)

                  if training:
                      scheduler.step()
                      loss.backward()
                      optimizer.step()

我有一个变换的功能，我把我的输出的通过：

def transform_torch(predictions):
    torch_dimensions = predictions.size()
    torch_grad = predictions.grad_fn
    cuda0 = torch.device('cuda:0')
    new_tensor = torch.ones(torch_dimensions, dtype=torch.float64, device=cuda0, requires_grad=True)
    for i in range(int(len(predictions))):
      a = predictions[i]
      # with torch.no_grad(): # Note: no training happens if this line is kept in
      new_tensor[i] = torch.flip(torch.cumsum(torch.flip(a, dims = [0]), dim = 0), dims = [0])
    return new_tensor

我的问题是，我得到一个错误，在下一个，最后一行：

RuntimeError: a view of a leaf Variable that requires grad is being used in an in-place operation.

任何建议？ 我已经尝试使用"有火炬。no_grad():"(注释)，但是这个结果非常差的培训，我认为，梯度不backpropogate适当地改造后的功能。

谢谢！