基于Deformable-detr的端到端文字识别模型，在encoder做注意力的节点报错不支持多尺度

[SWHL]

          > @Zalways 问题比较综合，有很多地方。建议去参考我的commit来看看吧，我也说不太清。

感谢回复！ 我的模型是一个基于Deformable-detr的端到端文字识别模型，也是在encoder做注意力的节点报错不支持多尺度，就像请问一下大体的修改方向是哪一块

Originally posted by @Zalways in #1 (comment)

[SWHL]

在这里讨论吧，问题已经超出之前issue范围了。

这种不支持多尺度，可能原因：

1. 一般是由于某些操作不是用的torch的tensor
2. 代码存在多个逻辑分支