nan报错

前言

• 文章来源：CSDN@LawsonAbs
• 系统环境：torch 1.9.1
• 遇到nan 的主要排查顺序：(1)先检查主要代码有没有写错？（2）接着看会不会再log，exp()的时候出现计算问题？（3）梯度大小设置是否合理？

---

---

20230327更新
这两天写的一个损失函数又报nan了。如下图所示：

这个nan大概是在20epoch之后才出现，这大抵能说明：我的代码是写的没问题，可能是随着训练的过程，导致某些地方可能出现了问题。众所周知，最有可能出现问题的则是：softmax 和 log 函数两处，那么我看看我的对应处代码，发现如下：

这里我为了防止除0得到无穷大，所以加了一个self.eps，理论上不会得到inf了。同理，在计算log值的时候，也是用到了self.eps。但是为啥还有问题呢？于是我看了看我的eps值为1e-10。然后执行一下上面这个操作，竟然发现sim的值为inf！

这说明eps取值太小，导致没有什么作用！故修改即可。
总结便是：eps 取值过小没有作用，导致最后防止除0操作时失败！

---

1. 场景1

前几天在写一段代码的时候，遇到了nan错误，但是一直么有找到问题所在。我的代码主要是将一个 batch 中的entity对应的 embedding 送到自定义的2层BertModel中。

原因

• 送入到BertModel中仅传入了 hidden_states，没有传入attention_mask。但是后来搞定这个bug之后还是有nan值的村子。
• 于是按行debug，发现问题在于送入到BertEncoder中的 hidden_states 中有nan的存在。
  我们可以用下面这行代码检查tensor中是否有nan 值。
  torch.any(torch.isnan(entity_bank)) 这个 entity_bank 便是一个待检测的向量。于是对应解决这个nan值的生成即可。
  但奇怪的是，使用下图中注释的一行就会有nan 的问题，但是用第二行代码则没有这个问题。
  

2. 场景2

最近在写一个自定义的损失函数，形式如下：

其中的L1 是正样本的损失，L2是负样本的损失。

原因

训练过程中再次出现nan，后来发现原因是：上式中的 log(*) 中的值可能存在0，我是先对0求了log，然后过滤掉了inf值，但是事实证明这么做是不行的。最好的方式是：

eps=1e-7
log(x+eps)

从而避免nan值的产生。

3. 场景3

nan最近真的是粘上我了 ┭┮﹏┭┮
短短几天，碰到了3次nan报错，而且每次都不一样。今天（2021/12/18）这次碰到的情况是模型训练到了一定的epoch时就开始出现nan。如下所示：

因为已经到了第50epoch，所以我就怀疑是梯度的问题了。如果是脏数据的问题，那么应该在一个epoch之内就会报错。从网上查阅资料，感觉像是因为梯度爆炸导致的nan错，于是我调整了一个动态学习率，就没有再报这个错了。
如果是自己手写的loss，那么一定要保证最后得到的loss是一个均值，要么是除以batch_size，要么是除以样本条数，因为这个系数在求导的时候，就会被带到其中作为梯度的系数，这样就会把梯度降下来。

4. 场景4

因为代码bug导致的nan。
我在使用 R-Drop 的时候，需要使用KL散度求两个 predict logit 间的距离，pytorch中的 kl_div 函数有个参数说明如下：

这个参数：表示传入的 target 是否是在log空间下（即是否由log处理过），推荐传入固定的分布结果，(如softmax)避免由log导致的数值问题。

5. 场景5

还有一种常见的nan报错是 除零导致的错。如下所述：
背景：同一个entity可以对应多个mention，但是我想取这个entity的表示，就可以通过取各个mention表示的平均来获取。最后除以这个mention的个数即可。
于是我这么写了代码：

cur_entity_emb = torch.mm(cur_entity2mention,x) / torch.sum(cur_entity2mention,dim=1).unsqueeze_(1).expand(-1,808) # 拿到整个entity的表示

得到的这个 cur_entity_emb 中存在nan，那么罪魁祸首应该就是后面的这个 torch.sum()存在问题，果不其然，查了一下的确是这个的问题。

6. 场景6

还是之前那个损失函数（如下图所示）

实现过后，代码在epoch 35 - epoch 40 之间总会报一个nan错，但是epoch 不固定，看看具体的报错信息：

发现这些报错信息下，都有一个常见的情况，那就是 NA acc 的准确率已经到了0.98-0.99 了，那这个跟报错有关系吗？于是我尝试将负样本损失单独训练，果不其然，在仅使用 loss_neg 下训练模型，发现不到10 step 损失就报nan ！震惊，原来问题出现在负样本的损失上！
经仔细发现，原来是我负样本的损失在一定epoch的学习下就变成了0，显然这是不大可能的啊，针对情况改代码就可以了吧。