PyTorch 训练稳定性：梯度爆炸前通常有征兆
一、训练崩掉不是突然发生的
深度学习训练中，loss 变成 NaN、梯度爆炸、显存异常和指标剧烈震荡，看起来像突然发生。实际上，在崩掉之前通常有征兆：梯度范数上升、学习率过高、激活值异常、数据 batch 分布突变、混合精度 loss scale 不稳定。训练稳定性要靠提前监控。
如果只盯最终 loss，就像只看天气结果不看云层变化。模型训练里的“天象”是梯度、权重、激活和数据分布。记录这些信号，才能在爆炸前收手。
二、监控链路：数据、前向、反向一起看
flowchart TD A[训练数据] --> B[Forward] B --> C[Loss] C --> D[Backward] D --> E[梯度范数] E --> F[Optimizer Step] F --> G[稳定性监控]训练稳定性至少监控 loss、learning rate、gradient norm、参数范数、NaN 数量和 batch 数据统计。对于混合精度训练，还要记录 loss scale 和 overflow 次数。只记录 loss 曲线，信息太少。
数据问题也很常见。某些 batch 标签异常、输入过长、空样本、极端值，都可能造成训练抖动。训练崩掉时，不要只怪优化器，先把出问题的 batch 保存下来。
三、代码示例：记录梯度范数
下面是一个简化的 PyTorch 梯度范数记录。
import torch def grad_norm(model): total = 0.0 for p in model.parameters(): if p.grad is not None: param_norm = p.grad.detach().data.norm(2) total += param_norm.item() ** 2 return total ** 0.5 loss.backward() norm = grad_norm(model) torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.step()梯度裁剪能缓解爆炸，但不是万能药。如果每一步都在强行裁剪，说明学习率、模型结构或数据可能有问题。裁剪是安全带，不是发动机。
记录时要结合 step、样本 ID 和学习率。否则看到梯度异常，也不知道是哪批数据触发的。可复现的异常才好修。
四、排查顺序：先数据，再学习率，再结构
遇到 NaN，先检查数据是否有 NaN、Inf、空文本或异常标签。再检查学习率是否过高、warmup 是否太短、混合精度是否 overflow。最后再怀疑模型结构。顺序很重要，别一上来重写网络。
如果使用分布式训练，要记录每个 rank 的异常。某个 rank 数据异常，可能导致全局训练失败。不要只看 rank0 日志。训练集群里，最安静的错误往往藏在非主进程。
最后，保存崩溃前 checkpoint 和 batch。这样可以在小环境复现，而不是重新跑几小时等它再次爆炸。训练稳定性工程，靠的是证据留存。
还要关注优化器状态。只保存模型参数，有时无法复现继续训练后的行为，因为 Adam 的动量状态、学习率调度器状态和 AMP scaler 都会影响下一步。稳定性问题发生时，完整 checkpoint 比单独权重更有价值。
如果训练经常在同一阶段崩溃，可以把那一段单独缩小复现。用更小数据、更短 step 和固定 seed 重放，排查速度会快很多。不要每次都从头跑完整训练等故障出现。
五、总结
PyTorch 训练稳定性要提前监控梯度、参数、loss scale 和数据 batch。梯度爆炸前通常有征兆，NaN 也常有来源。先查数据，再查学习率和混合精度，最后再动结构。炼丹也要看仪表盘。