神经网络训练时，出现NaN loss

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（runtime log）中每次迭代的loss值，你会发现loss随着迭代有明显的增长，最后因为loss值太大以至于不能用浮点数去表示，所以变成了NaN。

可采取的方法：1.降低学习率，比如solver.prototxt中的base_lr，降低一个数量级（至少）。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参数变成无效的值。

症状：观察输出日志（runtime log），你应该可以看到学习率变成NaN，例如：

... sgd_solver.cpp:106] Iteration 0, lr = -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，向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（runtime log）的时候，你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：重新尝试该错误，打印损失层的值并调试。

举个栗子：有一回，我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。在这种情况先，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（runtime log）的时候，你可能也不会发现任何异常：loss逐渐下降，然后突然出现NaN。

可采取的方法：重建你的输入数据集（Imdb/leveldn/hdf5...），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，如果有一个输入有错误，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。

一般来说，出现NaN有以下几种情况：

1.如果在迭代的100轮以内，出现NaN，一般情况下的原因是因为你的学习率过高，需要降低学习率。可以不断降低学习率直至不出现NaN为止，一般来说低于现有学习率1-10倍即可。

2.如果当前的网络是类似于RNN的循环神经网络的话，出现NaN可能是因为梯度爆炸的原因，一个有效的方式是增加“gradient clipping”（梯度截断来解决）

3.可能用0作为了除数;

4.可能0或者负数作为自然对数

5.需要计算loss的数组越界（尤其是自己，自定义了一个新的网络，可能出现这种情况）

6.在某些涉及指数计算，可能最后算得值为INF（无穷）（比如不做其他处理的softmax中分子分母需要计算exp（x），值过大，最后可能为INF/INF，得到NaN，此时你要确认你使用的softmax中在计算exp（x）做了相关处理（比如减去最大值等等））

原文链接

参考