Divergence Loss NaN et gradients Inf en entraînement
Comme AllReduce moyenne tous les gradients à chaque pas, un seul NaN produit sur un GPU contamine tout le cluster instantanément.
Signature typique dans les logs
step=1420 loss=nan grad_norm=inf learning_rate=3.0e-4 (AMP GradScaler skipped step or BF16 activation overflow)Mécanisme réel et distinction des cascades
Taux d'apprentissage trop élevé sans warmup, sous-dépassement du Loss Scaler FP16, valeurs d'attention extrêmes ou étiquettes/masques invalides.
Commandes de collecte avant redémarrage
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 reproProcédure de triage sécurisée
- Remonter le journal avant `loss=nan` pour trouver le tout premier pas avec `grad_norm=inf` ou baisse du Loss Scaler.
- Rejouer quelques pas depuis le dernier checkpoint sain avec détection d'anomalies activée.
- Vérifier gradient clipping (`max_norm=1.0`), accumulation FP32 et filtrage des données d'entrée.
Tester gratuitement votre log GPU pour trouver le premier événement
Les adresses IP, clés et chemins privés sont masqués localement dans votre navigateur.
Consultez avant envoi : traitement cloud et exécution 100 % locale hors ligne.
Les fichiers volumineux sont condensés dans votre navigateur. Seules les preuves sélectionnées sont transmises au diagnostic.
Questions fréquentes
Toutes les GPUs ont NaN en même temps : panne matérielle ?
Non : la synchronisation AllReduce propage immédiatement une seule anomalie sur l'ensemble des cartes.
Pourquoi échoue-t-il toujours exactement au même step après reprise ?
Avec un DataLoader déterministe, le run retombe sur le même lot de données problématique.
Autres fiches GPU en français
Essayez Denpex pendant 30 jours. GRATUIT.
Sans carte bancaire. Sans abonnement automatique. Vérifiez l'utilité de Denpex sur un incident que vous connaissez déjà.
Démarrer votre évaluation Team gratuite de 30 jours
Jusqu'à 50 diagnostics par jour pendant 30 jours. Vérifiez votre e-mail professionnel pour activer votre essai d'entreprise, rejouez un incident déjà résolu et comparez les preuves avec la cause confirmée par votre équipe.