Core ML Tools版本决定PyTorch算子支持范围，v7.1是分水岭：低于该版本不支持SiLU、where、scatter等算子；升级至v7.2+可支持MultiheadAttention（需batch_first=True）；兼容iOS 14需降级spec；SiLU可替换为ReLU或手动展开；where改用浮点掩码计算；scatter需重写为index_select+cat或index_put_；避免Python控制流混入trace图；输入shape必须显式固定，不支持None batch。
coremltools版本决定你能用哪些PyTorch算子
CoreML Tools 对 PyTorch 算子的支持不是线性演进的，v7.1 是个分水岭。低于这个版本，torch.nn.SiLU、torch.where、torch.scatter 这类常见操作基本直接报 Unsupported operator: aten::silu。这不是模型写错了，是转换器压根没注册对应映射。
运行 pip show coremltools 确认当前版本。若显示 Version: 6.3 或更低，升级是最快解法：pip install --upgrade coremltools。v7.2+ 还开始支持 torch.nn.MultiheadAttention（但要求 batch_first=True），旧版连 trace 都过不了。
SiLU、where、scatter 这三类高频报错算子怎么绕过去
就算升了版本，有些场景仍得手动干预——比如要兼容 iOS 14（只支持 Core ML 4），而 v7.1+ 导出的模型默认用 Core ML 5 spec。
-
SiLU：替换成nn.ReLU最省事；若必须保持行为，手动展开为x * torch.sigmoid(x)，但导出时得禁用 TorchScript 优化：torch.jit.trace(model, example_input, check_trace=False) -
torch.where：避免用三元条件形式torch.where(cond, a, b)，改用cond.float() * a + (1 - cond.float()) * b（前提是cond是 bool tensor） -
torch.scatter：没有直接等价替换，得重写逻辑——用index_select+cat拼接，或提前预分配 output tensor 后用tensor.view(-1).index_put_
别让 Python 控制流混进 trace 图里
torch.jit.trace 能跑通不代表 coremltools.convert() 能过。trace 图里一旦出现 prim::Constant 或 prim::ListConstruct，说明有 Python 层逻辑渗入，比如：
立即学习“Python免费学习笔记（深入）”；
-
len(tensor)或tensor.item()—— 改用tensor.numel()或tensor.squeeze().item()，且确保 shape 在 trace 时已知（不能是动态 batch） - for 循环遍历 list —— 改成
torch.stack+torch.unbind，或用torch.vmap（v2.0+） - if 判断 tensor 值 —— 必须转成纯 tensor 操作，例如用
torch.where替代条件分支
检查 trace 图最直接的方式是打印 traced_model.graph，看到 prim:: 开头的节点就该警惕。
输入 shape 必须显式、固定，尤其 batch 维
Core ML 不支持完全动态的 batch size。即使你希望模型接受任意 batch，coremltools.convert() 的 inputs 参数也必须传 coremltools.TensorType(shape=(1, 3, 224, 224)) 这种明确 shape，不能写 (None, 3, 224, 224)。
如果你真需要多 batch 支持，有两个选择：
- 导出多个单 batch 模型（
batch_size=1,batch_size=4,batch_size=8），iOS 运行时按需加载 - 在 Swift 层用
VNCoreMLRequest批量提交图像，由 Vision 框架内部做 batch 化，不依赖模型本身支持
另外，像 U-2-Net 这类输出 shape 依赖输入的模型，务必在 trace 前用 model.eval() 和 torch.no_grad() 包裹，否则 dropout/batchnorm 会引入不可控分支，导致 convert 失败。
