¿Cómo transformar la salida de una red neuronal y seguir entrenando?

Tengo una red neuronal que produce output. Quiero transformar output antes de que ocurra la pérdida y el retropropagación.

Aquí está mi código general:

with torch.set_grad_enabled(entrenando):
    outputs = net(xbatch[:, 0], xbatch[:, 1]) # la predicción de la NN
    # Mi problema está aquí:
    outputs = transformar(torch(outputs)
    pérdida = mi_loss(outputs, y_batch)

si está entrenando:
    scheduler.step()
    pérdida.backward()
    optimizer.step()

Tengo una función de transformación a la cual le introduzco mi salida:

def transformar_torch(predicciones):
    dimensiones_torch = predicciones.size()
    grad_torch = predicciones.grad_fn
    cuda0 = torch.device(‘cuda:0’)
    nuevo_tensor = torch.ones(dimensiones_torch, dtype=torch.float64, device=cuda0, requires_grad=True)
    for i in range(int(len(predicciones))):
      a = predicciones[i]
      
      nuevo_tensor[i] = torch.flip(torch.cumsum(torch.flip(a, dims=[0]), dim=0), dims=[0])
    return nuevo_tensor

Mi problema es que obtengo un error en la penúltima línea:

RuntimeError: se está utilizando una vista de una Variable de hoja que requiere gradiente en una operación in situ.

¿Alguna sugerencia? Ya he intentado usar “with torch.no_grad(): ” (comentado), pero esto resulta en un entrenamiento muy pobre y creo que los gradientes no retropropagan correctamente después de la función de transformación.

¡Gracias!