数值发散 / 异常数据
训练 Loss 出现 NaN / 梯度 Inf 排查指南
分布式同步下只要单个微批次算出 NaN,AllReduce 会立刻让所有 GPU 参数变 NaN,因此定位首个异常步数与触发节点至关重要。
典型日志特征
step=1420 loss=nan grad_norm=inf learning_rate=3.0e-4 (AMP GradScaler skipped step or BF16 activation overflow)根本原因与次生级联症状辨析
学习率或预热配置偏高、FP16 溢出导致 Loss Scale 跌穿下限、BF16 注意力分数未归一化,或个别样本存在非法 Token / 空标签。
重启节点前先收集的取证命令
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 repro安全排查与恢复步骤
- 从后往前检查日志,找出 `grad_norm=inf` 或 Loss Scale 骤降最早出现的训练步(往往早于 `loss=nan` 打印)。
- 回退到此前最近一次正常检查点,开启局部异常检测以最短步数定位首个产生 NaN 的算子。
- 核对梯度裁剪(如 `max_norm=1.0`)、数据清洗、BF16 与 FP32 累加精度配置。
Live diagnosis, no signup
粘贴你的 GPU 日志,立即排查首发故障
提交前会在当前浏览器本地自动遮罩 IP、密钥和私有路径,安全分离根因。
Before uploading, review cloud data handling and local options.
training_logs.txt
No log to hand? Try one:
Upload your log file. Large files are processed in your browser. Only selected evidence is submitted when you run diagnosis.
3 free cloud diagnoses per day
常见问题
所有卡同时出现 NaN 意味着全部硬件坏了吗?
不是。同步梯度平均会将单卡数值异常在一步之内扩散到整个集群,应先排查算法、精度和数据。
从上一步重跑还在相同 step 报错怎么办?
这说明很大概率是确定性数据序列中该 step 的特定样本或长度组合有问题,直接导出该批次排查即可。
相关简体中文 GPU 排障条目
检查点损坏与读取失败 (EOFError / Zip 错误) 排查NCCL Watchdog 超时排查与源头节点定位CUDA out of memory (GPU 显存不足与碎片) 排查指南打开免费 LLM 显存计算器
英文完整百科档案:查看完整英文参考 (English)
免费试用 Denpex 30 天。完全免费。
无需信用卡,无自动续费。使用团队已复盘的故障日志亲自验证诊断效果。
开启 30 天免费 Team 团队评估
30 天内每日最多 50 次诊断。验证企业工作邮箱即可激活试用,回放已解决的历史故障并将根因证据与团队确认结论对比。