loss为nan的解决方法
由于最近在用transformerencoder写模型,途中遇见蛮多小细节还有错误,整理在这里,后续看情况补充~~
一、先查看哪一步出现了nan
loos为nan,就一步步print(print大法妙啊)。
基本上也就是把input、output的内容打印一遍。比较快就可以确定是哪里出了问题。还不行就把模型内部一层层的输出打印出来。
二、为什么会出现nan
我的问题在于给TransformerEncoder加了attention mask之后,output就不正常了。基本可以确定就是mask的问题。看到有人说attention mask不能出现一整行都是True(非0)的情况,这个比较好理解,因为在MultiheadAttention当中,mask的作用是在得到attention score之后给对应位置加上”-inf“,如果一整行都是无限小,一过softmax就变成nan。
三、解决方法
步骤1: 把MultiheadAttention最后加上”-inf“改成”-1e10“。保证这个数极小但不是无穷小。
步骤2: 得到输出之后,将仍然为nan的值替换掉。具体替换成什么数值根据各自的任务而定。我这里选择替换成0,换成其他数值的话只需要修改torch.full_like(x,0)当中的0。
x=torch.where(torch.isnan(x),torch.full_like(x,0),x)