我在发现yolov5的逐层和cpu模式结果不太一致后，使用了dump工具

下面是结果打印

Warning: 'replace=True' Op []
 _00000_model.0.conv_in errRate = 0.0
 _00000_model.0.conv_out errRate = 0.033778149634599686
 _00001_model.0.act_in errRate = 0.033778149634599686
 _00001_model.0.act_out errRate = 0.03537113219499588
 _00002_model.1.conv_in errRate = 0.03537113219499588    *******************
 _00002_model.1.conv_out errRate = 0.06306491792201996    *******************   
 _00003_model.1.act_in errRate = 0.06306491792201996
 _00003_model.1.act_out errRate = 0.07197665423154831
 _00004_model.2.cv1.conv_in errRate = 0.07197665423154831
 _00004_model.2.cv1.conv_out errRate = 0.06885150820016861
 _00005_model.2.cv1.act_in errRate = 0.06885150820016861
 _00005_model.2.cv1.act_out errRate = 0.0884501039981842
 _00006_model.2.m.0.cv1.conv_in errRate = 0.0884501039981842   *******************
 _00006_model.2.m.0.cv1.conv_out errRate = 0.15424127876758575   *******************
 _00007_model.2.m.0.cv1.act_in errRate = 0.15424127876758575
 _00007_model.2.m.0.cv1.act_out errRate = 0.16953909397125244
 _00008_model.2.m.0.cv2.conv_in errRate = 0.16953909397125244
 _00008_model.2.m.0.cv2.conv_out errRate = 0.137769877910614
 _00009_model.2.m.0.cv2.act_in errRate = 0.137769877910614
 _00009_model.2.m.0.cv2.act_out errRate = 0.12482896447181702
 _00010_model.2.cv2.conv_in errRate = 0.07197665423154831
 _00010_model.2.cv2.conv_out errRate = 0.0748973935842514
 _00011_model.2.cv2.act_in errRate = 0.0748973935842514
 _00011_model.2.cv2.act_out errRate = 0.08865470439195633
 _00012_model.2.cv3.conv_in errRate = 0.10123926401138306
 _00012_model.2.cv3.conv_out errRate = 0.1390291303396225
 _00013_model.2.cv3.act_in errRate = 0.1390291303396225
 _00013_model.2.cv3.act_out errRate = 0.15163809061050415
 _00014_model.3.conv_in errRate = 0.15163809061050415
 _00014_model.3.conv_out errRate = 0.12521281838417053
 _00015_model.3.act_in errRate = 0.12521281838417053
 _00015_model.3.act_out errRate = 0.11929642409086227
 _00016_model.4.cv1.conv_in errRate = 0.11929642409086227
 _00016_model.4.cv1.conv_out errRate = 0.09127743542194366
 _00017_model.4.cv1.act_in errRate = 0.09127743542194366
 _00017_model.4.cv1.act_out errRate = 0.08188644796609879
 _00018_model.4.m.0.cv1.conv_in errRate = 0.08188644796609879
 _00018_model.4.m.0.cv1.conv_out errRate = 0.12145888805389404
 _00019_model.4.m.0.cv1.act_in errRate = 0.12145888805389404
 _00019_model.4.m.0.cv1.act_out errRate = 0.11850713938474655
 _00020_model.4.m.0.cv2.conv_in errRate = 0.11850713938474655
 _00020_model.4.m.0.cv2.conv_out errRate = 0.11148262768983841
 _00021_model.4.m.0.cv2.act_in errRate = 0.11148262768983841
 _00021_model.4.m.0.cv2.act_out errRate = 0.1129852756857872
 _00022_model.4.m.1.cv1.conv_in errRate = 0.11095835268497467
 _00022_model.4.m.1.cv1.conv_out errRate = 0.11369039118289948
 _00023_model.4.m.1.cv1.act_in errRate = 0.11369039118289948
 _00023_model.4.m.1.cv1.act_out errRate = 0.11194079369306564
 _00024_model.4.m.1.cv2.conv_in errRate = 0.11194079369306564
 _00024_model.4.m.1.cv2.conv_out errRate = 0.11065706610679626
 _00025_model.4.m.1.cv2.act_in errRate = 0.11065706610679626
 _00025_model.4.m.1.cv2.act_out errRate = 0.10952870547771454
 _00026_model.4.cv2.conv_in errRate = 0.11929642409086227
 _00026_model.4.cv2.conv_out errRate = 0.15524344146251678
 _00027_model.4.cv2.act_in errRate = 0.15524344146251678
 _00027_model.4.cv2.act_out errRate = 0.15800440311431885
 _00028_model.4.cv3.conv_in errRate = 0.12828534841537476
 _00028_model.4.cv3.conv_out errRate = 0.11573690176010132
 _00029_model.4.cv3.act_in errRate = 0.11573690176010132
 _00029_model.4.cv3.act_out errRate = 0.11865927278995514
 _00030_model.5.conv_in errRate = 0.11865927278995514
 _00030_model.5.conv_out errRate = 0.12688465416431427
 _00031_model.5.act_in errRate = 0.12688465416431427
 _00031_model.5.act_out errRate = 0.13611656427383423
 _00032_model.6.cv1.conv_in errRate = 0.13611656427383423
 _00032_model.6.cv1.conv_out errRate = 0.08566196262836456
 _00033_model.6.cv1.act_in errRate = 0.08566196262836456
 _00033_model.6.cv1.act_out errRate = 0.08384081721305847
 _00034_model.6.m.0.cv1.conv_in errRate = 0.08384081721305847
 _00034_model.6.m.0.cv1.conv_out errRate = 0.12016722559928894
 _00035_model.6.m.0.cv1.act_in errRate = 0.12016722559928894
 _00035_model.6.m.0.cv1.act_out errRate = 0.13372856378555298
 _00036_model.6.m.0.cv2.conv_in errRate = 0.13372856378555298
 _00036_model.6.m.0.cv2.conv_out errRate = 0.08723128587007523
 _00037_model.6.m.0.cv2.act_in errRate = 0.08723128587007523
 _00037_model.6.m.0.cv2.act_out errRate = 0.0888165608048439
 _00038_model.6.m.1.cv1.conv_in errRate = 0.0923202633857727
 _00038_model.6.m.1.cv1.conv_out errRate = 0.10691310465335846
 _00039_model.6.m.1.cv1.act_in errRate = 0.10691310465335846
 _00039_model.6.m.1.cv1.act_out errRate = 0.11719808727502823
 _00040_model.6.m.1.cv2.conv_in errRate = 0.11719808727502823
 _00040_model.6.m.1.cv2.conv_out errRate = 0.12280922383069992
 _00041_model.6.m.1.cv2.act_in errRate = 0.12280922383069992
 _00041_model.6.m.1.cv2.act_out errRate = 0.13904298841953278
 _00042_model.6.m.2.cv1.conv_in errRate = 0.11993970721960068
 _00042_model.6.m.2.cv1.conv_out errRate = 0.11308033764362335
 _00043_model.6.m.2.cv1.act_in errRate = 0.11308033764362335
 _00043_model.6.m.2.cv1.act_out errRate = 0.11430805176496506
 _00044_model.6.m.2.cv2.conv_in errRate = 0.11430805176496506
 _00044_model.6.m.2.cv2.conv_out errRate = 0.13334615528583527
 _00045_model.6.m.2.cv2.act_in errRate = 0.13334615528583527
 _00045_model.6.m.2.cv2.act_out errRate = 0.14173951745033264
 _00046_model.6.cv2.conv_in errRate = 0.13611656427383423
 _00046_model.6.cv2.conv_out errRate = 0.15686963498592377
 _00047_model.6.cv2.act_in errRate = 0.15686963498592377
 _00047_model.6.cv2.act_out errRate = 0.163693368434906
 _00048_model.6.cv3.conv_in errRate = 0.14533303678035736
 _00048_model.6.cv3.conv_out errRate = 0.10818008333444595
 _00049_model.6.cv3.act_in errRate = 0.10818008333444595
 _00049_model.6.cv3.act_out errRate = 0.12623895704746246
 _00050_model.7.conv_in errRate = 0.12623895704746246
 _00050_model.7.conv_out errRate = 0.11763811856508255
 _00051_model.7.act_in errRate = 0.11763811856508255
 _00051_model.7.act_out errRate = 0.13873432576656342
 _00052_model.8.cv1.conv_in errRate = 0.13873432576656342
 _00052_model.8.cv1.conv_out errRate = 0.08493432402610779
 _00053_model.8.cv1.act_in errRate = 0.08493432402610779
 _00053_model.8.cv1.act_out errRate = 0.07582971453666687
 _00054_model.8.m.0.cv1.conv_in errRate = 0.07582971453666687
 _00054_model.8.m.0.cv1.conv_out errRate = 0.14061495661735535
 _00055_model.8.m.0.cv1.act_in errRate = 0.14061495661735535
 _00055_model.8.m.0.cv1.act_out errRate = 0.16039405763149261
 _00056_model.8.m.0.cv2.conv_in errRate = 0.16039405763149261
 _00056_model.8.m.0.cv2.conv_out errRate = 0.13419339060783386
 _00057_model.8.m.0.cv2.act_in errRate = 0.13419339060783386
 _00057_model.8.m.0.cv2.act_out errRate = 0.15217852592468262
 _00058_model.8.cv2.conv_in errRate = 0.13873432576656342
 _00058_model.8.cv2.conv_out errRate = 0.15616092085838318
 _00059_model.8.cv2.act_in errRate = 0.15616092085838318
 _00059_model.8.cv2.act_out errRate = 0.17604996263980865
 _00060_model.8.cv3.conv_in errRate = 0.15473110973834991
 _00060_model.8.cv3.conv_out errRate = 0.13436074554920197
 _00061_model.8.cv3.act_in errRate = 0.13436074554920197
 _00061_model.8.cv3.act_out errRate = 0.1602957397699356
 _00062_model.9.cv1.conv_in errRate = 0.1602957397699356
 _00062_model.9.cv1.conv_out errRate = 0.11659093201160431
 _00063_model.9.cv1.act_in errRate = 0.11659093201160431
 _00063_model.9.cv1.act_out errRate = 0.1178520917892456
 _00064_model.9.m_in errRate = 0.1178520917892456
 _00064_model.9.m_out errRate = 0.060698676854372025
 _00065_model.9.m_in errRate = 0.060698676854372025
 _00065_model.9.m_out errRate = 0.048983681946992874
 _00066_model.9.m_in errRate = 0.048983681946992874
 _00066_model.9.m_out errRate = 0.04338240996003151
 _00067_model.9.cv2.conv_in errRate = 0.056752581149339676
 _00067_model.9.cv2.conv_out errRate = 0.10899560153484344
 _00068_model.9.cv2.act_in errRate = 0.10899560153484344
 _00068_model.9.cv2.act_out errRate = 0.12165416032075882
 _00069_model.10.conv_in errRate = 0.12165416032075882
 _00069_model.10.conv_out errRate = 0.11829164624214172
 _00070_model.10.act_in errRate = 0.11829164624214172
 _00070_model.10.act_out errRate = 0.12541276216506958
 _00071_model.11_in errRate = 0.12541276216506958
 _00071_model.11_out errRate = 0.1254127323627472
 _00072_model.12_in errRate = 0.1254127323627472
 _00072_model.12_in errRate = 0.12623895704746246
 _00072_model.12_out errRate = 0.12581397593021393
 _00073_model.13.cv1.conv_in errRate = 0.12581397593021393
 _00073_model.13.cv1.conv_out errRate = 0.0993901863694191
 _00074_model.13.cv1.act_in errRate = 0.0993901863694191
 _00074_model.13.cv1.act_out errRate = 0.09837651997804642
 _00075_model.13.m.0.cv1.conv_in errRate = 0.09837651997804642
 _00075_model.13.m.0.cv1.conv_out errRate = 0.10666487365961075
 _00076_model.13.m.0.cv1.act_in errRate = 0.10666487365961075
 _00076_model.13.m.0.cv1.act_out errRate = 0.10745485872030258
 _00077_model.13.m.0.cv2.conv_in errRate = 0.10745485872030258
 _00077_model.13.m.0.cv2.conv_out errRate = 0.115843266248703
 _00078_model.13.m.0.cv2.act_in errRate = 0.115843266248703
 _00078_model.13.m.0.cv2.act_out errRate = 0.11998312175273895
 _00079_model.13.cv2.conv_in errRate = 0.12581397593021393
 _00079_model.13.cv2.conv_out errRate = 0.12741047143936157
 _00080_model.13.cv2.act_in errRate = 0.12741047143936157
 _00080_model.13.cv2.act_out errRate = 0.12904389202594757
 _00081_model.13.cv3.conv_in errRate = 0.12442249059677124
 _00081_model.13.cv3.conv_out errRate = 0.13247622549533844
 _00082_model.13.cv3.act_in errRate = 0.13247622549533844
 _00082_model.13.cv3.act_out errRate = 0.1406361609697342
 _00083_model.14.conv_in errRate = 0.1406361609697342
 _00083_model.14.conv_out errRate = 0.12035928666591644
 _00084_model.14.act_in errRate = 0.12035928666591644
 _00084_model.14.act_out errRate = 0.11484494060277939
 _00085_model.15_in errRate = 0.11484494060277939
 _00085_model.15_out errRate = 0.11484494805335999
 _00086_model.16_in errRate = 0.11484494805335999
 _00086_model.16_in errRate = 0.11865927278995514
 _00086_model.16_out errRate = 0.11659131199121475
 _00087_model.17.cv1.conv_in errRate = 0.11659131199121475
 _00087_model.17.cv1.conv_out errRate = 0.08819473534822464
 _00088_model.17.cv1.act_in errRate = 0.08819473534822464
 _00088_model.17.cv1.act_out errRate = 0.07866258174180984
 _00089_model.17.m.0.cv1.conv_in errRate = 0.07866258174180984
 _00089_model.17.m.0.cv1.conv_out errRate = 0.07065664231777191
 _00090_model.17.m.0.cv1.act_in errRate = 0.07065664231777191
 _00090_model.17.m.0.cv1.act_out errRate = 0.057614799588918686
 _00091_model.17.m.0.cv2.conv_in errRate = 0.057614799588918686
 _00091_model.17.m.0.cv2.conv_out errRate = 0.10141444206237793
 _00092_model.17.m.0.cv2.act_in errRate = 0.10141444206237793
 _00092_model.17.m.0.cv2.act_out errRate = 0.09200906753540039
 _00093_model.17.cv2.conv_in errRate = 0.11659131199121475
 _00093_model.17.cv2.conv_out errRate = 0.10760253667831421
 _00094_model.17.cv2.act_in errRate = 0.10760253667831421
 _00094_model.17.cv2.act_out errRate = 0.11112961918115616
 _00095_model.17.cv3.conv_in errRate = 0.10040128231048584
 _00095_model.17.cv3.conv_out errRate = 0.1444503366947174
 _00096_model.17.cv3.act_in errRate = 0.1444503366947174
 _00096_model.17.cv3.act_out errRate = 0.138624370098114
 _00097_model.18.conv_in errRate = 0.138624370098114
 _00097_model.18.conv_out errRate = 0.15020611882209778
 _00098_model.18.act_in errRate = 0.15020611882209778
 _00098_model.18.act_out errRate = 0.15838798880577087
 _00099_model.19_in errRate = 0.15838798880577087
 _00099_model.19_in errRate = 0.11484494060277939
 _00099_model.19_out errRate = 0.13492365181446075
 _00100_model.20.cv1.conv_in errRate = 0.13492365181446075
 _00100_model.20.cv1.conv_out errRate = 0.1408357173204422
 _00101_model.20.cv1.act_in errRate = 0.1408357173204422
 _00101_model.20.cv1.act_out errRate = 0.1426309496164322
 _00102_model.20.m.0.cv1.conv_in errRate = 0.1426309496164322
 _00102_model.20.m.0.cv1.conv_out errRate = 0.12285890430212021
 _00103_model.20.m.0.cv1.act_in errRate = 0.12285890430212021
 _00103_model.20.m.0.cv1.act_out errRate = 0.12916986644268036
 _00104_model.20.m.0.cv2.conv_in errRate = 0.12916986644268036
 _00104_model.20.m.0.cv2.conv_out errRate = 0.13812172412872314
 _00105_model.20.m.0.cv2.act_in errRate = 0.13812172412872314
 _00105_model.20.m.0.cv2.act_out errRate = 0.14069794118404388
 _00106_model.20.cv2.conv_in errRate = 0.13492365181446075
 _00106_model.20.cv2.conv_out errRate = 0.15035104751586914
 _00107_model.20.cv2.act_in errRate = 0.15035104751586914
 _00107_model.20.cv2.act_out errRate = 0.1491565853357315
 _00108_model.20.cv3.conv_in errRate = 0.14448954164981842
 _00108_model.20.cv3.conv_out errRate = 0.15475969016551971
 _00109_model.20.cv3.act_in errRate = 0.15475969016551971
 _00109_model.20.cv3.act_out errRate = 0.15354607999324799
 _00110_model.21.conv_in errRate = 0.15354607999324799
 _00110_model.21.conv_out errRate = 0.1348518282175064
 _00111_model.21.act_in errRate = 0.1348518282175064
 _00111_model.21.act_out errRate = 0.1416780948638916
 _00112_model.22_in errRate = 0.1416780948638916
 _00112_model.22_in errRate = 0.12541276216506958
 _00112_model.22_out errRate = 0.133895605802536
 _00113_model.23.cv1.conv_in errRate = 0.133895605802536
 _00113_model.23.cv1.conv_out errRate = 0.12326427549123764
 _00114_model.23.cv1.act_in errRate = 0.12326427549123764
 _00114_model.23.cv1.act_out errRate = 0.13576211035251617
 _00115_model.23.m.0.cv1.conv_in errRate = 0.13576211035251617
 _00115_model.23.m.0.cv1.conv_out errRate = 0.13252092897891998
 _00116_model.23.m.0.cv1.act_in errRate = 0.13252092897891998
 _00116_model.23.m.0.cv1.act_out errRate = 0.14680726826190948
 _00117_model.23.m.0.cv2.conv_in errRate = 0.14680726826190948
 _00117_model.23.m.0.cv2.conv_out errRate = 0.12699651718139648
 _00118_model.23.m.0.cv2.act_in errRate = 0.12699651718139648
 _00118_model.23.m.0.cv2.act_out errRate = 0.13754235208034515
 _00119_model.23.cv2.conv_in errRate = 0.133895605802536
 _00119_model.23.cv2.conv_out errRate = 0.13765279948711395
 _00120_model.23.cv2.act_in errRate = 0.13765279948711395
 _00120_model.23.cv2.act_out errRate = 0.14234159886837006
 _00121_model.23.cv3.conv_in errRate = 0.13985086977481842
 _00121_model.23.cv3.conv_out errRate = 0.15157805383205414
 _00122_model.23.cv3.act_in errRate = 0.15157805383205414
 _00122_model.23.cv3.act_out errRate = 0.14827151596546173
 _00123_model.24.m.0_in errRate = 0.138624370098114   *******************
 _00123_model.24.m.0_out errRate = 0.02405344322323799   *******************
 _00124_model.24.m.1_in errRate = 0.15354607999324799   *******************
 _00124_model.24.m.1_out errRate = 0.021177854388952255   *******************
 _00125_model.24.m.2_in errRate = 0.14827151596546173   *******************
 _00125_model.24.m.2_out errRate = 0.018881356343626976   *******************
我已经在误差变化较大的地方做了标注
又几个疑问
1.我理解的误差是逐层累积越来越大的，对吗？
2.网络24层的误差在输入时0.13 但是输出误差却突然变小了，这是怎么回事呢
3.虽然最后一层误差变小，但是在结果上来看，并没又提现出来，误差还是很大 10%左右
4.为什么在第2层使用cov1 误差突然就翻倍了？这个算子在其他地方用也没有发现误差很大呀
5.我该怎么解决呢