Divergencia Loss NaN y gradiente Inf en entrenamiento
Dado que AllReduce sincroniza gradientes cada paso, un único lote con NaN en una GPU contamina todos los nodos de inmediato.
Firma característica del error
step=1420 loss=nan grad_norm=inf learning_rate=3.0e-4 (AMP GradScaler skipped step or BF16 activation overflow)Causa raíz frente a síntomas secundarios
Learning rate alto sin warmup suficiente, desborde en escalador FP16, logits extremos o índices de tokens o máscaras inválidas.
Comandos de evidencia antes de reiniciar
grep -n -E "nan|inf|overflow|grad_norm" train_*.log | head -n 40
export TORCH_SHOW_CPP_STACKTRACES=1
# Re-run exact checkpoint step with torch.autograd.set_detect_anomaly(True) on a short reproPasos seguros de diagnóstico y solución
- Retroceder en el log para hallar el primer paso con `grad_norm=inf` o caída brusca del Loss Scaler.
- Reproducir desde el último checkpoint previo sano con detección de anomalías en ese lote.
- Validar gradient clipping (`max_norm=1.0`), acumulación FP32 y sanidad de etiquetas e inputs.
Analiza gratis tu log de GPU para detectar el fallo inicial
Los valores sensibles se enmascaran en tu navegador antes del envío.
Revisa antes de subir: gestión de datos en la nube y opción 100 % local.
Los archivos grandes se condensan en tu navegador. Solo la evidencia seleccionada se envía al diagnosticar.
Preguntas frecuentes
Todas las GPUs muestran NaN a la vez: ¿falló todo el hardware?
No. El promedio distribuido difunde en un paso cualquier anomalía puntual de datos o precisión.
¿Por qué repite exactamente en el mismo paso al reanudar?
Con orden determinista vuelve a procesar el lote defectuoso en ese paso; inspecciona ese batch concreto.
Otros fallos frecuentes en español
Prueba Denpex por 30 días. GRATIS.
Sin tarjeta de crédito. Sin suscripción automática. Comprueba si Denpex ayuda con un incidente que ya conoces.
Inicia tu evaluación Team gratuita de 30 días
Hasta 50 diagnósticos diarios durante 30 días. Verifica tu correo laboral para activar una evaluación empresarial elegible, reproduce un incidente resuelto y compara la evidencia con la causa confirmada por tu equipo.