原因有很多,此处给出是 除0 产生的问题。但排查思路是相通的。方法较原始,但有效。
首先在网络的每个步骤后添加一个if,看是否产生 nan
def forward(self, source):
source = self.blocks(source)
if torch.any(torch.isnan(source)):
print(1)
source = source.view(source.size()[0], -1) # Flatten
source_clf = self.classifierBlock(source)
if torch.any(torch.isnan(source_clf)):
print(1)
return source_clf
给每个print(1)打上 断点,然后调试 ,等程序跳进断点,此时是第一次出现nan,因此可以追查问题,不然后面一更新就全是nan了。
把断点的print(1)换成打印参数
if torch.any(torch.isnan(tranfer_loss)):
for parameters in self.bottleneckBlock.parameters():
print(parameters)
看看是否是权重的原因,同时看看前面的是否有为0的输出,作为这一层的输入。
找到0的位置,发现是Relu失活导致的,换成leakyRelu就好了。