我之前遇到多次loss为nan,一次是由于数据标注出现问题,换不同的模型参数均出现此问题,因此需要仔细检查数据格式。
有一次是换了个模型,loss变为nan,以为是coco格式问题,发现用没出现问题的数据集测试,还是nan,不是数据的问题。
后面通过将学习率调为原来的1/10(根据实际情况调整),就没有出现了!
下面参考了官方文档给出的解决方案以及自身经验,应该可以解决大部分问题:
- 检查数据的标注是否正常:长或宽为 0 的框可能会导致回归 loss 变为 nan,一些小尺寸(宽度或高度小于 1)的框在数据增强(例如,instaboost)后也会导致此问题。 因此,可以检查标注并过滤掉那些特别小甚至面积为 0 的框,并关闭一些可能会导致 0 面积框出现数据增强。
- 降低学习率:由于某些原因,例如 batch size 大小的变化, 导致当前学习率可能太大。 我们可以降低为可以稳定训练模型的值。
- 延长 warm up 的时间:一些模型在训练初始时对学习率很敏感,我们可以把 warmup_iters 从 500 更改为 1000 或 2000。
lr_config = dict(
policy='step',
warmup='linear',
warmup_iters=500, # 修改这里 Epoch [1][500/xxxx]之前的学习率的意思
warmup_ratio=0.001,
step=[8, 11])
- 添加 gradient clipping: 一些模型需要梯度裁剪来稳定训练过程。 默认的 grad_clip 是 None, 你可以在 config 设置
optimizer_config=dict(_delete_=True, grad_clip=dict(max_norm=35, norm_type=2))
如果你的 config 没有继承任何包含 optimizer_config=dict(grad_clip=None), 你可以直接设置optimizer_config=dict(grad_clip=dict(max_norm=35, norm_type=2))
.
optimizer_config = dict(grad_clip=dict(max_norm=35, norm_type=2))