记录：训练过程中可训练参数出现nan和inf造成loss为nan

第1步检查loss出现nan的源头（排除输入数据问题）

遇到这个问题首先追踪打印loss看看究竟是啥导致了loss出现nan，结果发数据输入没啥问题，就是在训练过程中可训练参数出现inf和nan等：

第2步 降低学习率查看能否解决（排除是学习率设置不当的问题）

我将学习率从10-5降低十倍，一点点作用都没有

第3步 查看是不是数据溢出造成的（混精度运算->统一精度）

因为我这个情况比较特殊，我的输入数据是32位的，但是我的模型训练参数是16位的，loss计算是32位的，因为上面也发现我的问题是训练参数inf和nan了，所以我想会不会是精度不一样导致参数计算的时候溢出了。由于我的baseline是16位的，我计划将所有的转换成16位来训练。
结果还是一样，在训练的第一次更新完参数就inf和nan了。

第四步 确定gpu计算方式

可能你的gpu是半精度（fp16）训练，启用了tf32训练
加上：

torch.backends.cuda.matmul.allow_tf32 = False
torch.backends.cudnn.allow_tf32 = False
with autocast(dtype=torch.float16):

还是报错：

第五步 回到第3步骤，直接全部启用fp32精度参数训练

这里其实有一个问题：我最终需要的是fp16 的精度（因为怕溢出），但是参与训练是32。
解决：我将参数初始化为32，但是前向计算时候转换成16

解决了

教训：训练绝对别用fp16,不溢出算我的@@@