pytorch训练出现nan是什么意思

1.背景

训练时忽然发现某几项loss变成了nan。

---

2.nan的含义

nan值在python往往可以直接与无穷大，无穷小等价。

常见根本来源：

• a/0

• log(0)

• 空索引

第一个常见例子: $loss/posnum$，希望根据正例个数平分loss，却忽视pos_num可能为0，也就是图片中没有正例，常见解决$loss/(0.0001+num)$或者if判断；
第二个常见例子：loss计算中带有log( p)时，p却为0，后果就是反传梯度无穷大；
第三个常见例子：mask = gt>0， 然后索引 pos_p = pred[mask]，却不知此时的pos_p为空；

---

3.解决

原因：上面第二条

debug
当出现nan后在模型forward函数上打断点，结果发现在第一步时就出现了nan，正常的x输入后出来就有nan值。

def forward(self, x):
    x = self.base_layer(x)
    ...

而self.base模块只是简单的卷积模块：

self.base_layer = nn.Sequential(
     nn.Conv2d(3,self.channels[0], kernel_size=7, stride=1,padding=3,bias=False),
     nn.BatchNorm2d(self.channels[0],momentum=0.1),
     nn.ReLU(inplace=True)
 )

再打印出它的学习参数：

for p in self.base_layer.parameters():
	print(p)

结果发现大部分参数已经是nan了，而这里只是整个模型第一层…
显然梯度爆炸了，自然检查去loss。

重新开始，在总的loss处debug:

if(torch.isnan(loss).sum()>0):
	print("here!")

当首次出现loss时在此处断点，结果发现，nan来源某一项loss，我这里是focal loss，显然是来自里面的log(p )，而p，也就是网络预测为0了，本该$p\in [0,1]$，怎么会有0?

最后想起是Sigmoid函数：

z['hm'] = z['hm'].sigmoid() * out_branch

最后调整为：

z['hm'] = torch.clamp(z['hm'].sigmoid(),min=1e-4,max=1-1e-4) * out_branch