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，发现一个值得注意的问题：如果对同一个LSTM层进行两次前向传播计算，第二次计算会得到错误的结果。这个问题在传统引擎下不会出现，仅在新图引擎中存在。

问题现象

通过一个简单的测试案例可以重现这个问题：

1. 创建一个LSTM网络模型
2. 准备输入数据(X)、初始隐藏状态(h_0)和初始细胞状态(c_0)
3. 第一次前向传播得到输出结果
4. 使用完全相同的输入进行第二次前向传播
5. 比较两次结果发现不一致

测试代码显示，第一次前向传播的结果与ONNX Runtime一致，但第二次前向传播的结果出现了偏差。在C++版本的测试中同样可以复现这个问题。

技术分析

经过深入排查，发现问题根源在于LSTM2LayerImpl::forward()方法的实现。该方法在处理输入时，错误地修改了输入张量input[1]和input[2]，这违反了深度学习框架中前向传播的基本原则。

在深度学习中，前向传播函数应该是纯函数，即：

• 不应该修改输入参数
• 相同的输入应该始终产生相同的输出
• 无副作用

而当前的实现破坏了这些原则，导致重复调用时产生不一致的结果。

解决方案

修复方案相对直接：确保forward()方法不修改任何输入参数。具体需要：

1. 在LSTM计算过程中创建输入状态的副本
2. 所有中间计算都在副本上进行
3. 保持原始输入数据不变

这样就能保证无论调用多少次forward()，只要输入相同，输出就一定相同。

影响范围

该问题影响：

• OpenCV 5.x版本
• 使用新图引擎(NGE)的情况
• 涉及LSTM层的重复前向计算场景

对于单次前向传播或使用传统引擎的情况不受影响。

最佳实践建议

在使用OpenCV的dnn模块时，特别是涉及循环神经网络时，建议：

1. 对于关键应用，验证重复前向传播的结果一致性
2. 必要时可以手动保存和恢复中间状态
3. 关注OpenCV的版本更新，及时应用相关修复
4. 在性能允许的情况下，可以考虑重建网络对象来确保状态重置

总结

这个案例展示了深度学习框架实现中保持函数纯正性的重要性。框架开发者需要特别注意不修改输入参数，确保计算的可重复性。对于用户来说，了解这类问题有助于更好地使用框架并规避潜在风险。