最近在拿mindspore复现一个增量学习的分类任务，我这个用于分类的卷积网络会处理多个任务，后一个任务会对前一个任务模型的某几个卷积层进行拓宽（扩大输出通道数），其他层不变（继续使用前一个任务模型的权重等网络参数）

pytorch的修改模型方法就是：直接修改前一个任务指定卷积层的in/out_channels，同时修改.weight.data成新的形状。

mindspore里也可以修改前一个任务卷积层的in/out_channels，然后取原本卷积层parameter的权重进行张量变换，并用set_data来重设卷积层的parameter。而且打印model和model.get_parameters，都显示卷积层好像是被修改成功了(in_channels为新值，parameter形状也变了)。但是当我model(image)时，前向传播到我修改的卷积层的时候就报错了。

因此想请问下有没有比较适合实现对卷积网络进行修改的方法？（看官方文档的ops.assign是得保证参数形状不变，所以用不了；然后mindspore.rewrite感觉相对贴切？但是暂未尝试，因为不太清楚新节点能否继承好旧节点的parameter）