在pytorch框架下，训练model过程中，loss=nan问题时该怎么解决？

当我在UCF-101数据集训练alexnet时，epoch设为100，跑到三十多个epoch时，出现了loss=nan问题，当时是一脸懵逼，在查阅资料后，我通过减小学习率解决了问题，现总结一下出现这个问题的可能原因及解决方法：

1.  减小整体学习率。学习率比较大的时候，参数可能over shoot了，结果就是找不到极小值点；
减小学习率可以让参数朝着极值点前进；
2.  改变网络宽度。有可能是网络后面的层参数更新异常，增加后面层的宽度试试；
3.  改变层的学习率。每个层都可以设置学习率，可以尝试减小后面层的学习率试试；
4.  数据归一化（减均值，除方差，或者加入normalization，例如BN、L2 norm等）；
5.  加入gradient clipping；
6  输入数据含有脏数据，即NaN,一般当使用实际业务的真实数据时，容易出现脏数据。