pytorch 梯度NAN異常值
gradient 為nan可能原因：
1、梯度爆炸
2、學(xué)習(xí)率太大
3、數(shù)據(jù)本身有問題
4、backward時，某些方法造成0在分母上， 如：使用方法sqrt()
定位造成nan的代碼：
import torch
# 異常檢測開啟
torch.autograd.set_detect_anomaly(True)
# 反向傳播時檢測是否有異常值，定位code
with torch.autograd.detect_anomaly():
loss.backward()
pytorch處理inf和nan數(shù)值
在構(gòu)建網(wǎng)絡(luò)框架后，運行代碼，發(fā)現(xiàn)很多tensor出現(xiàn)了inf值或者nan,在很多博客上沒有找到對應(yīng)的解決方法，大部分是基于numpy寫的，比較麻煩。
下面基于torch BIF函數(shù)實現(xiàn)替換這2個值。
a = torch.Tensor([[1, 2, np.nan], [np.inf, np.nan, 4], [3, 4, 5]])
a
Out[158]:
tensor([[1., 2., nan],
[inf, nan, 4.],
[3., 4., 5.]])
下面把nan值還為0：
a = torch.where(torch.isnan(a), torch.full_like(a, 0), a)
a
Out[160]:
tensor([[1., 2., 0.],
[inf, 0., 4.],
[3., 4., 5.]])
接著把inf替換為1：
a = torch.where(torch.isinf(a), torch.full_like(a, 0), a)
a
Out[162]:
tensor([[1., 2., 0.],
[0., 0., 4.],
[3., 4., 5.]])
簡單回顧
tips:對于某些tensor,可能已經(jīng)開啟了grad功能，需要把它先轉(zhuǎn)為普通tensor（使用.data）
torch.where(condition,T,F) 函數(shù)有三個輸入值，
第一個是判斷條件，
第二個是符合條件的設(shè)置值，
第三個是不符合條件的設(shè)置值
torch.full_like(input, fill_value, …) 返回與input相同size，單位值為fill_value的矩陣
#如下面這個例子，a為3*3的tensor
b =torch.full_like(a, 0,)
b
Out[165]:
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- PyTorch梯度裁剪避免訓(xùn)練loss nan的操作
- Pytorch訓(xùn)練過程出現(xiàn)nan的解決方式
- pytorch 權(quán)重weight 與 梯度grad 可視化操作
- PyTorch 如何檢查模型梯度是否可導(dǎo)
- 淺談pytorch中為什么要用 zero_grad() 將梯度清零
- PyTorch 如何自動計算梯度
