深度学习网络训练，Loss出现Nan的解决办法

前言

模型的训练不是单纯的调参，重要的是能针对出现的各种问题提出正确的解决方案。本文就训练网络loss出现Nan的原因做了具体分析，并给出了详细的解决方案，希望对大家训练模型有所帮助。

一、原因

一般来说，出现NaN有以下几种情况：

1. 如果在迭代的100轮数以内，出现NaN，一般情况下的原因是你的学习率过高，需要降低学习率。可以不断降低学习率直至不出现NaN为止，一般来说低于现有学习率1-10倍即可。
2. 如果当前的网络是类似于RNN的循环神经网络的话，出现NaN可能是因为梯度爆炸的原因，一个有效的方式是增加“gradient clipping”（梯度截断来解决）。
3. 可能用0作了除数。
4. 可能用0或者负数作为自然对数。
5. 需要计算loss的数组越界（尤其是自己定义了一个新的网络，可能出现这种情况）。
6. 在某些涉及指数计算，可能最后算得值为INF（无穷）（比如不做其他处理的softmax中分子分母需要计算ex(x)，值过大，最后可能为INF/INF，得到NaN，此时你要确认你使用的softmax中在计算exp(x) 做了相关处理（比如减去最大值等等））。
7. 训练深度网络的时候，label缺失问题也会导致loss一直是nan，需要检查label。

二、典型实例

1. 梯度爆炸

原因：梯度变得非常大，使得学习过程难以继续。

现象：观察log，注意每一轮迭代后的loss。loss随着每轮迭代越来越大，最终超过了浮点型表示的范围，就变成了NaN。

措施：

• 减小solver.prototxt中的base_lr，至少减小一个数量级。如果有多个loss layer，需要找出哪个损失导致了梯度爆炸，并在train_val.prototxt中减小该层的loss_weight，而非是减小通用的base_lr。

• 设置clip gradient，用于限制过大的diff。

2. 不当的损失函数

原因：有时候损失层中的loss的计算可能导致NaN的出现。比如，给InfogainLoss层（信息熵损失）输入没有归一化的值，使用带有bug的自定义损失层等等。

现象：观测训练产生的log时一开始并不能看到异常，loss也在逐步的降低，但突然之间NaN就出现了。

措施：看看你是否能重现这个错误，在loss layer中加入一些输出以进行调试。

3. 不当的输入

原因：输入中就含有NaN。

现象：每当学习的过程中碰到这个错误的输入，就会变成NaN。观察log的时候也许不能察觉任何异常，loss逐步的降低，但突然间就变成NaN了。

措施：重整你的数据集，确保训练集和验证集里面没有损坏的图片。调试中你可以使用一个简单的网络来读取输入层，有一个缺省的loss，并过一遍所有输入，如果其中有错误的输入，这个缺省的层也会产生NaN。

参考：https://zhuanlan.zhihu.com/p/599887666