训练网络出现loss为NaN的情况

1.梯度爆炸

原因：在学习过程中，梯度变得非常大，使得学习的过程偏离了正常的轨迹。
症状：观察输出日志中每次迭代的loss值，发现loss随着迭代有明显的增长，最后因为loss值太大以致于不能用浮点数去表示，所以变成NaN。
可采取的方法： 1.降低学习率，比如solver.prototxt中base_lr，降低一个数量级。如果在你的模型中有多个loss层，就不能降低基础的学习率base_lr，而是需要检查日志，找到产生梯度爆炸的层，然后降低train_val.prototxt中该层的loss_weight。

2.错误的学习率策略及参数

原因： 在学习过程中，caffe不能得出一个正确的学习率，相反会得到inf或者nan的值，这些错误的学习率乘上所有的梯度使得所有的参数变成无效的值。
症状：观察输出日志，可以看到学习率变为NaN
可采取的方法： 修改solver.prototxt文件中所有能影响学习率的参数。比如，如果你设置的学习率策略是 lr_policy: “poly” ，而你又忘了设置最大迭代次数max_iter，那么最后你会得到lr=NaN…
关于caffe学习率及其策略的内容，可以在github的/caffe-master/src/caffe/proto/caffe.proto 文件中看到传送门

3.错误的损失函数

原因：有时，在损失层计算损失值时会出现NaN的情况。比如，像infogainLoss层没有归一化输入值，使用自定义的损失层等。
症状： 观察输出日志的时候，可能不会发现任何异常：loss逐渐下降，然后突然出现NaN。
可采取的方法：尝试重现该错误，打印损失层的值并调试。
举个例子：根据批量数据中标签出现的频率去归一化惩罚值并以此计算loss。如果有个label并没有在批量数据中出现，频率为0，结果loss出现了NaN的情况。在这种情况下，需要用足够大的batch来避免这个错误。

4.错误的输入

原因：你的输入中存在NaN
症状：一旦学习过程中碰到这种错误的输入，输出就会变成NaN。观察输出日志的时候，可能不会发现任何异常：loss逐渐下降，然后突然出现NaN。
可采取的方法： 重新建立你的输入数据集，确保你的训练集、验证集中没有脏数据（错误的图片文件）。调试时，使用一个简单的网络去读取输入，如果有一个输入的错误，这个网络的loss也会出现NaN。

5.Pooling层的步长大于核的尺寸

由于一些原因，步长stride>核尺寸kernel_size的pooling层会出现NaN。比如：

layer{
   name:"faulty_pooling"
   type:"Pooling"
   bottom："x"
   top:"y"
   pooling_param{
      pool:AVE
      stride:5
      kernel:3
   }
}

结果y会出现NaN。

在271云服务平台训练出现的结果及解决办法

问题
在Linux虚拟机上跑，同样的代码不会出现NaN的情况。

训练的结果

train output：表示训练时网络的最后一层输出，即logits，取值在0~1之间，表示1+4+16=21个CU划分的概率。
valid output：表示验证时网络的最后一层输出，可以看出，包含0值。

尝试
1.程序中输入x表示残差，数值较小，在正负10以内，进行归一化处理之后，乘10进行数值扩大；
没有效果
2.程序中valid数据集跟train数据集是一样的，更换valid数据集；
没有效果

结果
代码没有问题，数据集也没有问题，云服务器可能是读不到数据，== 最近公司在升级，经常出故障。emmmm