OpenCV新图引擎中LSTM层重复前向传播的Bug分析

问题背景

在OpenCV 5.x版本的深度学习模块中，当使用新图引擎(NGE)运行LSTM层时，发现一个有趣的bug：如果对同一个LSTM模型连续执行两次前向传播，第二次的结果会出现错误。这个问题在Python和C++环境下都能复现，且只在使用新图引擎时出现。

问题现象

通过测试代码可以清晰地观察到这个现象：

1. 第一次前向传播的结果与ONNX Runtime的结果完全一致
2. 第二次使用相同输入执行前向传播时，输出结果与第一次不同
3. 理论上相同输入应该产生相同输出，这表明存在某种状态污染

技术分析

经过深入代码分析，发现问题出在LSTM2LayerImpl::forward()方法的实现中。该方法的实现违反了深度学习层的一个基本原则：前向传播不应该修改输入数据。

具体来说：

1. LSTM层接收三个输入：输入序列X、初始隐藏状态h_0和初始细胞状态c_0
2. 在实现中，方法直接修改了输入参数input1和input2
3. 这种修改导致第二次前向传播时，虽然用户传入了相同的h_0和c_0，但实际上它们已经被第一次前向传播修改

影响范围

这个bug会影响以下使用场景：

1. 需要多次运行同一个LSTM模型的场景
2. 使用新图引擎(通过OPENCV_FORCE_DNN_ENGINE=2启用)的环境
3. 需要精确复现结果的实验场景

解决方案

修复方案相对直接：

1. 在LSTM前向传播方法中，应该避免直接修改输入参数
2. 如果需要保存中间状态，应该使用内部变量而非输入参数
3. 确保每次前向传播都从原始输入开始计算

最佳实践建议

在使用OpenCV的DNN模块时，特别是涉及RNN/LSTM等有状态网络时：

1. 如果发现结果不一致问题，可以尝试比较第一次和第二次前向传播的结果
2. 对于关键应用，建议先验证基础功能是否正常工作
3. 考虑使用ONNX Runtime等参考实现进行结果验证
4. 关注OpenCV的更新，及时获取bug修复版本

总结

这个案例展示了深度学习实现中一个常见但容易被忽视的问题：输入数据的不可变性。OpenCV团队已经确认并修复了这个bug，用户可以通过更新到最新版本来解决这个问题。对于深度学习框架的开发者和使用者来说，这提醒我们要特别注意层实现中对输入数据的处理方式，确保不会产生意外的副作用。