调试神经网络

问题

传统软件出问题时会展。空指针会抛异常，类型不匹配会在编译期失败，差一错误会产生明显错误的输出。

神经网络不会给你这种奢侈。

一个坏的神经网络会运行到结束，打印一个损失值，输出预测。损失可能还会下降，预测看起来也似乎合理。但模型其实是默默错的——它在学捷径、记忆噪声，或者收敛到一个无用的局部最小值。Google 研究人员估计，60–70% 的机器学习调试时间都花在「沉默」bug 上：它们不报错，但会降低模型质量。

工作模型与坏模型之间的差距往往只是一行放错位置的代码：一个漏掉的 zero_grad()、一个转置的维度、一个差了 10 倍的学习率。那篇经典的 "Recipe for Training Neural Networks"（2019）开头就是这样说的：「最常见的神经网络错误是不报错的 bug。」

本课教你如何找到这些 bug。

概念

调试心态

忘掉「打印加祈祷」式调试。神经网络调试需要系统化方法，因为反馈循环很慢（每次训练要几分钟到几小时），而且症状很模糊（损失不好可能意味着 20 种不同的事情）。

黄金法则：从简单开始，每次只加一块复杂度，并独立验证每一块。

flowchart TD
    A["Loss not decreasing"] --> B{"Check learning rate"}
    B -->|"Too high"| C["Loss oscillates or explodes"]
    B -->|"Too low"| D["Loss barely moves"]
    B -->|"Reasonable"| E{"Check gradients"}
    E -->|"All zeros"| F["Dead ReLUs or vanishing gradients"]
    E -->|"NaN/Inf"| G["Exploding gradients"]
    E -->|"Normal"| H{"Check data pipeline"}
    H -->|"Labels shuffled"| I["Random-chance accuracy"]
    H -->|"Preprocessing bug"| J["Model learns noise"]
    H -->|"Data is fine"| K{"Check architecture"}
    K -->|"Too small"| L["Underfitting"]
    K -->|"Too deep"| M["Optimization difficulty"]

症状 1：损失不下降

这是最常见的抱怨。训练循环在跑，epoch 在走，但损失保持平坦或剧烈波动。

学习率不对。 太高：损失振荡或跳到 NaN。太低：损失下降得极慢，看起来像平的。Adam 从 1e-3 开始，SGD 从 1e-1 或 1e-2 开始。在断定是其他问题之前，务必先试 3 个学习率，每个相差 10 倍（例如 1e-2、1e-3、1e-4）。

Dead ReLU。 如果某个 ReLU 神经元收到很大的负输入，它会输出 0，且梯度为 0。它再也不会激活。如果死的神经元够多，网络就无法学习。检查方法：打印每个 ReLU 层后精确为 0 的激活比例。如果超过 50% 都死了，就换成 LeakyReLU 或降低学习率。

梯度消失。 在使用 sigmoid 或 tanh 激活的深层网络中，梯度在反向传播时指数级缩小。等它们到达第一层时几乎为 0，第一层就停止学习。修复：用 ReLU/GELU、加残差连接，或用 batch normalization。

梯度爆炸。 相反的问题——梯度指数级增长。在 RNN 和极深网络中很常见。损失会跳到 NaN。修复：梯度裁剪（torch.nn.utils.clip_grad_norm_）、降低学习率，或加归一化。

症状 2：损失在降，但模型很差

损失下降了，训练准确率到了 99%，但测试准确率只有 55%；或者模型在真实数据上输出无意义结果。

过拟合。 模型记住了训练数据，而不是学习规律。训练损失与验证损失之间的差距随时间扩大。修复：更多数据、dropout、权重衰减、早停、数据增强。

数据泄漏。 测试数据漏进了训练集。准确率 suspiciously 高。常见原因：在拆分前先打乱、用完整数据集的统计量做预处理、不同 split 之间有重复样本。修复：先拆分再预处理，检查重复。

标签错误。 大多数真实数据集中有 5–10% 的标签是错的（Northcutt et al., 2021 —— "Pervasive Label Errors in Test Sets"）。模型学会了这些噪声。修复：用 confident learning 找出并修正错误标签，或用 loss truncation 忽略高损失样本。

症状 3：损失中出现 NaN 或 Inf

损失值变成 nan 或 inf。训练已死。

学习率太高。 梯度更新幅度过大，导致权重爆炸。修复：降低 10 倍。

log(0) 或 log(负数)。 交叉熵计算 log(p)。如果模型输出精确的 0 或负概率，log 会爆炸。修复：把预测值 clamp 到 [eps, 1-eps]，其中 eps=1e-7。

除以零。 Batch normalization 要除以标准差。如果一个 batch 的值全一样，std=0。修复：在分母上加 epsilon（PyTorch 默认会这样做，但自定义实现可能不会）。

数值溢出。 大激活值喂进 exp() 会产生 Inf。Softmax 特别容易。修复：在指数化前先减去最大值（log-sum-exp 技巧）。

技术 1：梯度检查

把解析梯度（来自反向传播）和数值梯度（来自有限差分）做比较。如果它们不一致，说明反向传播有 bug。

参数 w 的数值梯度：

一致度指标（相对差异）：

如果 rel_diff < 1e-5：正确。如果 rel_diff > 1e-3：几乎肯定有 bug。

flowchart LR
    A["Parameter w"] --> B["w + eps"]
    A --> C["w - eps"]
    B --> D["Forward pass"]
    C --> E["Forward pass"]
    D --> F["loss+"]
    E --> G["loss-"]
    F --> H["(loss+ - loss-) / 2eps"]
    G --> H
    H --> I["Compare to backprop gradient"]

技术 2：激活统计

在训练过程中监测每层输出的均值和标准差。健康的网络会保持激活值均值接近 0、标准差接近 1（归一化后），或至少是有界的。

技术 3：梯度流可视化

绘制每层的平均梯度大小。在健康网络中，各层梯度大小应该大致相近。如果早期层的梯度比后期层小 1000 倍，就是梯度消失。

graph LR
    subgraph "Healthy Gradient Flow"
        L1["Layer 1<br/>grad: 0.05"] --- L2["Layer 2<br/>grad: 0.04"] --- L3["Layer 3<br/>grad: 0.06"] --- L4["Layer 4<br/>grad: 0.05"]
    end

graph LR
    subgraph "Vanishing Gradient Flow"
        V1["Layer 1<br/>grad: 0.0001"] --- V2["Layer 2<br/>grad: 0.003"] --- V3["Layer 3<br/>grad: 0.02"] --- V4["Layer 4<br/>grad: 0.08"]
    end

技术 4：单 Batch 过拟合测试

这是深度学习里最重要的调试技术。

取一个小 batch（8–32 个样本），用它训练 100 步以上。损失应该降到接近 0，训练准确率应该达到 100%。如果没有，说明你的模型或训练循环有根本性 bug——不要继续全量训练。

这个测试能抓住：

• 坏的损失函数
• 坏的反向传播
• 模型容量太小，无法表示数据
• 优化器没有连到模型参数
• 数据和标签没对齐

它只要 30 秒就能跑完，却能省下几小时的全量训练调试时间。

技术 5：学习率查找器

Leslie Smith（2017）提出在一个 epoch 内把学习率从非常小（1e-7）扫到非常大（10），同时记录损失。绘制损失 vs 学习率。最优学习率大致是损失下降最快那个学习率的 1/10。

graph TD
    subgraph "LR Finder Plot"
        direction LR
        A["1e-7: loss=2.3"] --> B["1e-5: loss=2.3"]
        B --> C["1e-3: loss=1.8"]
        C --> D["1e-2: loss=0.9 -- steepest"]
        D --> E["1e-1: loss=0.5"]
        E --> F["1.0: loss=NaN -- too high"]
    end

本例中的最佳学习率：~1e-3（最陡点前一个数量级）。

常见 PyTorch Bug

这些是 PyTorch 社区里最浪费大家时间的 bug：

调试总表

构建它

构建一个诊断工具包，监测激活、梯度和损失曲线。我们会故意把网络搞坏，再用工具包诊断每种问题。

第 1 步：NetworkDebugger 类

通过 hook 进入 PyTorch 模型，记录每层的激活与梯度统计。

python复制import torch
import torch.nn as nn
import math


class NetworkDebugger:
    def __init__(self, model):
        self.model = model
        self.activation_stats = {}
        self.gradient_stats = {}
        self.loss_history = []
        self.lr_losses = []
        self.hooks = []
        self._register_hooks()

    def _register_hooks(self):
        for name, module in self.model.named_modules():
            if isinstance(module, (nn.Linear, nn.Conv2d, nn.ReLU, nn.LeakyReLU)):
                hook = module.register_forward_hook(self._make_activation_hook(name))
                self.hooks.append(hook)
                hook = module.register_full_backward_hook(self._make_gradient_hook(name))
                self.hooks.append(hook)

    def _make_activation_hook(self, name):
        def hook(module, input, output):
            with torch.no_grad():
                out = output.detach().float()
                self.activation_stats[name] = {
                    "mean": out.mean().item(),
                    "std": out.std().item(),
                    "fraction_zero": (out == 0).float().mean().item(),
                    "min": out.min().item(),
                    "max": out.max().item(),
                }
        return hook

    def _make_gradient_hook(self, name):
        def hook(module, grad_input, grad_output):
            if grad_output[0] is not None:
                with torch.no_grad():
                    grad = grad_output[0].detach().float()
                    self.gradient_stats[name] = {
                        "mean": grad.mean().item(),
                        "std": grad.std().item(),
                        "abs_mean": grad.abs().mean().item(),
                        "max": grad.abs().max().item(),
                    }
        return hook

    def record_loss(self, loss_value):
        self.loss_history.append(loss_value)

    def check_loss_health(self):
        if len(self.loss_history) < 2:
            return "NOT_ENOUGH_DATA"
        recent = self.loss_history[-10:]
        if any(math.isnan(v) or math.isinf(v) for v in recent):
            return "NAN_OR_INF"
        if len(self.loss_history) >= 20:
            first_half = sum(self.loss_history[:10]) / 10
            second_half = sum(self.loss_history[-10:]) / 10
            if second_half >= first_half * 0.99:
                return "NOT_DECREASING"
        if len(recent) >= 5:
            diffs = [recent[i+1] - recent[i] for i in range(len(recent)-1)]
            if max(diffs) - min(diffs) > 2 * abs(sum(diffs) / len(diffs)):
                return "OSCILLATING"
        return "HEALTHY"

    def check_activations(self):
        issues = []
        for name, stats in self.activation_stats.items():
            if stats["fraction_zero"] > 0.5:
                issues.append(f"DEAD_NEURONS: {name} has {stats['fraction_zero']:.0%} zero activations")
            if abs(stats["mean"]) > 10:
                issues.append(f"EXPLODING_ACTIVATIONS: {name} mean={stats['mean']:.2f}")
            if stats["std"] < 1e-6:
                issues.append(f"COLLAPSED_ACTIVATIONS: {name} std={stats['std']:.2e}")
        return issues if issues else ["HEALTHY"]

    def check_gradients(self):
        issues = []
        grad_magnitudes = []
        for name, stats in self.gradient_stats.items():
            grad_magnitudes.append((name, stats["abs_mean"]))
            if stats["abs_mean"] < 1e-7:
                issues.append(f"VANISHING_GRADIENT: {name} abs_mean={stats['abs_mean']:.2e}")
            if stats["abs_mean"] > 100:
                issues.append(f"EXPLODING_GRADIENT: {name} abs_mean={stats['abs_mean']:.2e}")
        if len(grad_magnitudes) >= 2:
            first_mag = grad_magnitudes[0][1]
            last_mag = grad_magnitudes[-1][1]
            if last_mag > 0 and first_mag / last_mag > 100:
                issues.append(f"GRADIENT_RATIO: first/last = {first_mag/last_mag:.0f}x (vanishing)")
        return issues if issues else ["HEALTHY"]

    def print_report(self):
        print("\n=== NETWORK DEBUGGER REPORT ===")
        print(f"\nLoss health: {self.check_loss_health()}")
        if self.loss_history:
            print(f"  Last 5 losses: {[f'{v:.4f}' for v in self.loss_history[-5:]]}")
        print("\nActivation diagnostics:")
        for item in self.check_activations():
            print(f"  {item}")
        print("\nGradient diagnostics:")
        for item in self.check_gradients():
            print(f"  {item}")
        print("\nPer-layer activation stats:")
        for name, stats in self.activation_stats.items():
            print(f"  {name}: mean={stats['mean']:.4f} std={stats['std']:.4f} zero={stats['fraction_zero']:.1%}")
        print("\nPer-layer gradient stats:")
        for name, stats in self.gradient_stats.items():
            print(f"  {name}: abs_mean={stats['abs_mean']:.2e} max={stats['max']:.2e}")

    def remove_hooks(self):
        for hook in self.hooks:
            hook.remove()
        self.hooks.clear()

第 2 步：单 Batch 过拟合测试

python复制def overfit_one_batch(model, x_batch, y_batch, criterion, lr=0.01, steps=200):
    optimizer = torch.optim.Adam(model.parameters(), lr=lr)
    model.train()
    print("\n=== OVERFIT ONE BATCH TEST ===")
    print(f"Batch size: {x_batch.shape[0]}, Steps: {steps}")

    for step in range(steps):
        optimizer.zero_grad()
        output = model(x_batch)
        loss = criterion(output, y_batch)
        loss.backward()
        optimizer.step()

        if step % 50 == 0 or step == steps - 1:
            with torch.no_grad():
                preds = (output > 0).float() if output.shape[-1] == 1 else output.argmax(dim=1)
                targets = y_batch if y_batch.dim() == 1 else y_batch.squeeze()
                acc = (preds.squeeze() == targets).float().mean().item()
            print(f"  Step {step:3d} | Loss: {loss.item():.6f} | Accuracy: {acc:.1%}")

    final_loss = loss.item()
    if final_loss > 0.1:
        print(f"\n  FAIL: Loss did not converge ({final_loss:.4f}). Model or training loop is broken.")
        return False
    print(f"\n  PASS: Loss converged to {final_loss:.6f}")
    return True

第 3 步：学习率查找器

python复制def find_learning_rate(model, x_data, y_data, criterion, start_lr=1e-7, end_lr=10, steps=100):
    import copy
    original_state = copy.deepcopy(model.state_dict())
    optimizer = torch.optim.SGD(model.parameters(), lr=start_lr)
    lr_mult = (end_lr / start_lr) ** (1 / steps)

    model.train()
    results = []
    best_loss = float("inf")
    current_lr = start_lr

    print("\n=== LEARNING RATE FINDER ===")

    for step in range(steps):
        optimizer.zero_grad()
        output = model(x_data)
        loss = criterion(output, y_data)

        if math.isnan(loss.item()) or loss.item() > best_loss * 10:
            break

        best_loss = min(best_loss, loss.item())
        results.append((current_lr, loss.item()))

        loss.backward()
        optimizer.step()

        current_lr *= lr_mult
        for param_group in optimizer.param_groups:
            param_group["lr"] = current_lr

    model.load_state_dict(original_state)

    if len(results) < 10:
        print("  Could not complete LR sweep -- loss diverged too quickly")
        return results

    min_loss_idx = min(range(len(results)), key=lambda i: results[i][1])
    suggested_lr = results[max(0, min_loss_idx - 10)][0]

    print(f"  Swept {len(results)} steps from {start_lr:.0e} to {results[-1][0]:.0e}")
    print(f"  Minimum loss {results[min_loss_idx][1]:.4f} at lr={results[min_loss_idx][0]:.2e}")
    print(f"  Suggested learning rate: {suggested_lr:.2e}")

    return results

第 4 步：梯度检查

python复制def _flat_to_multi_index(flat_idx, shape):
    multi_idx = []
    remaining = flat_idx
    for dim in reversed(shape):
        multi_idx.insert(0, remaining % dim)
        remaining //= dim
    return tuple(multi_idx)


def gradient_check(model, x, y, criterion, eps=1e-4):
    model.train()
    x_double = x.double()
    y_double = y.double()
    model_double = model.double()

    print("\n=== GRADIENT CHECK ===")
    overall_max_diff = 0
    checked = 0

    for name, param in model_double.named_parameters():
        if not param.requires_grad:
            continue

        layer_max_diff = 0

        model_double.zero_grad()
        output = model_double(x_double)
        loss = criterion(output, y_double)
        loss.backward()
        analytical_grad = param.grad.clone()

        num_checks = min(5, param.numel())
        for i in range(num_checks):
            idx = _flat_to_multi_index(i, param.shape)
            original = param.data[idx].item()

            param.data[idx] = original + eps
            with torch.no_grad():
                loss_plus = criterion(model_double(x_double), y_double).item()

            param.data[idx] = original - eps
            with torch.no_grad():
                loss_minus = criterion(model_double(x_double), y_double).item()

            param.data[idx] = original

            numerical = (loss_plus - loss_minus) / (2 * eps)
            analytical = analytical_grad[idx].item()

            denom = max(abs(numerical), abs(analytical), 1e-8)
            rel_diff = abs(numerical - analytical) / denom

            layer_max_diff = max(layer_max_diff, rel_diff)
            checked += 1

        overall_max_diff = max(overall_max_diff, layer_max_diff)
        status = "OK" if layer_max_diff < 1e-5 else "MISMATCH"
        print(f"  {name}: max_rel_diff={layer_max_diff:.2e} [{status}]")

    model.float()

    print(f"\n  Checked {checked} parameters")
    if overall_max_diff < 1e-5:
        print("  PASS: Gradients match (rel_diff < 1e-5)")
    elif overall_max_diff < 1e-3:
        print("  WARN: Small differences (1e-5 < rel_diff < 1e-3)")
    else:
        print("  FAIL: Gradient mismatch detected (rel_diff > 1e-3)")
    return overall_max_diff

第 5 步：故意搞坏的网络

现在把工具包应用到几个坏网络上，分别诊断。

python复制def demo_broken_networks():
    torch.manual_seed(42)
    x = torch.randn(64, 10)
    y = (x[:, 0] > 0).long()

    print("\n" + "=" * 60)
    print("BUG 1: Learning rate too high (lr=10)")
    print("=" * 60)
    model1 = nn.Sequential(nn.Linear(10, 32), nn.ReLU(), nn.Linear(32, 2))
    debugger1 = NetworkDebugger(model1)
    optimizer1 = torch.optim.SGD(model1.parameters(), lr=10.0)
    criterion = nn.CrossEntropyLoss()
    for step in range(20):
        optimizer1.zero_grad()
        out = model1(x)
        loss = criterion(out, y)
        debugger1.record_loss(loss.item())
        loss.backward()
        optimizer1.step()
    debugger1.print_report()
    debugger1.remove_hooks()

    print("\n" + "=" * 60)
    print("BUG 2: Dead ReLUs from bad initialization")
    print("=" * 60)
    model2 = nn.Sequential(nn.Linear(10, 32), nn.ReLU(), nn.Linear(32, 32), nn.ReLU(), nn.Linear(32, 2))
    with torch.no_grad():
        for m in model2.modules():
            if isinstance(m, nn.Linear):
                m.weight.fill_(-1.0)
                m.bias.fill_(-5.0)
    debugger2 = NetworkDebugger(model2)
    optimizer2 = torch.optim.Adam(model2.parameters(), lr=1e-3)
    for step in range(50):
        optimizer2.zero_grad()
        out = model2(x)
        loss = criterion(out, y)
        debugger2.record_loss(loss.item())
        loss.backward()
        optimizer2.step()
    debugger2.print_report()
    debugger2.remove_hooks()

    print("\n" + "=" * 60)
    print("BUG 3: Missing zero_grad (gradients accumulate)")
    print("=" * 60)
    model3 = nn.Sequential(nn.Linear(10, 32), nn.ReLU(), nn.Linear(32, 2))
    debugger3 = NetworkDebugger(model3)
    optimizer3 = torch.optim.SGD(model3.parameters(), lr=0.01)
    for step in range(50):
        out = model3(x)
        loss = criterion(out, y)
        debugger3.record_loss(loss.item())
        loss.backward()
        optimizer3.step()
    debugger3.print_report()
    debugger3.remove_hooks()

    print("\n" + "=" * 60)
    print("HEALTHY NETWORK: Correct setup for comparison")
    print("=" * 60)
    model_good = nn.Sequential(nn.Linear(10, 32), nn.ReLU(), nn.Linear(32, 2))
    debugger_good = NetworkDebugger(model_good)
    optimizer_good = torch.optim.Adam(model_good.parameters(), lr=1e-3)
    for step in range(50):
        optimizer_good.zero_grad()
        out = model_good(x)
        loss = criterion(out, y)
        debugger_good.record_loss(loss.item())
        loss.backward()
        optimizer_good.step()
    debugger_good.print_report()
    debugger_good.remove_hooks()

    print("\n" + "=" * 60)
    print("OVERFIT-ONE-BATCH TEST (healthy model)")
    print("=" * 60)
    model_test = nn.Sequential(nn.Linear(10, 32), nn.ReLU(), nn.Linear(32, 2))
    overfit_one_batch(model_test, x[:8], y[:8], criterion)

    print("\n" + "=" * 60)
    print("LEARNING RATE FINDER")
    print("=" * 60)
    model_lr = nn.Sequential(nn.Linear(10, 32), nn.ReLU(), nn.Linear(32, 2))
    find_learning_rate(model_lr, x, y, criterion)

    print("\n" + "=" * 60)
    print("GRADIENT CHECK")
    print("=" * 60)
    model_grad = nn.Sequential(nn.Linear(10, 8), nn.ReLU(), nn.Linear(8, 2))
    gradient_check(model_grad, x[:4], y[:4], criterion)

使用它

PyTorch 内置工具

python复制import torch
import torch.nn as nn

model = nn.Sequential(
    nn.Linear(768, 256),
    nn.ReLU(),
    nn.Linear(256, 10),
)

with torch.autograd.detect_anomaly():
    output = model(input_tensor)
    loss = criterion(output, target)
    loss.backward()

for name, param in model.named_parameters():
    if param.grad is not None:
        print(f"{name}: grad_mean={param.grad.abs().mean():.2e}")

Weights & Biases 集成

python复制import wandb

wandb.init(project="debug-training")

for epoch in range(100):
    loss = train_one_epoch()
    wandb.log({
        "loss": loss,
        "lr": optimizer.param_groups[0]["lr"],
        "grad_norm": torch.nn.utils.clip_grad_norm_(model.parameters(), float("inf")),
    })

    for name, param in model.named_parameters():
        if param.grad is not None:
            wandb.log({f"grad/{name}": wandb.Histogram(param.grad.cpu().numpy())})

TensorBoard

python复制from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter("runs/debug_experiment")

for epoch in range(100):
    loss = train_one_epoch()
    writer.add_scalar("Loss/train", loss, epoch)

    for name, param in model.named_parameters():
        writer.add_histogram(f"weights/{name}", param, epoch)
        if param.grad is not None:
            writer.add_histogram(f"gradients/{name}", param.grad, epoch)

调试检查清单（全量训练前）

1. 跑单 batch 过拟合测试。失败就停。
2. 打印模型摘要——确认参数量合理。
3. 用随机数据跑一遍前向传播——检查输出形状。
4. 先训 5 个 epoch——确认损失在下降。
5. 检查激活统计——没有死层、没有爆炸。
6. 检查梯度流——没有消失、没有爆炸。
7. 验证数据管道——打印 5 个随机样本及其标签。

交付它

本课产物：

• outputs/prompt-nn-debugger.md —— 一个用于诊断神经网络训练失败的 prompt
• outputs/skill-debug-checklist.md —— 一份用于调试训练问题的决策树检查清单

调试的关键部署模式：

• 在生产训练脚本中加入监测 hook
• 每 N 步把激活和梯度统计记录到 W&B 或 TensorBoard
• 对 NaN 损失、死神经元（>80% 为 0）、梯度爆炸实现自动告警
• 修改架构或数据管道时，始终运行单 batch 过拟合测试

练习

1. 添加梯度爆炸检测器。 修改 NetworkDebugger，当梯度超过阈值时自动检测并建议梯度裁剪值。在一个没有归一化的 20 层网络上测试。

2. 构建 dead neuron 复活器。 写一个函数，识别始终输出 0 的 dead ReLU 神经元，并用 Kaiming 初始化重新初始化它们的输入权重。证明它能让 >70% 神经元死亡的网络恢复。

3. 实现带绘图的学习率查找器。 扩展 find_learning_rate，把结果存为 CSV，再写个独立脚本用 matplotlib 读取并显示 LR vs 损失曲线。找出 ResNet-18 在 CIFAR-10 上的最优 LR。

4. 创建数据管道验证器。 写一个函数检查：训练/测试 split 之间的重复样本、标签分布不平衡（>10:1）、输入归一化（均值接近 0、标准差接近 1）、数据中的 NaN/Inf。在一个故意破坏的数据集上运行。

5. 调试真实故障。 拿第 10 课的迷你框架，引入一个隐蔽 bug（例如把反向传播中的权重矩阵转置），然后用梯度检查精确定位哪个参数的梯度不对。记录调试过程。

关键术语

延伸阅读

• Smith, "Cyclical Learning Rates for Training Neural Networks"（2017）—— 提出学习率范围测试（LR finder）的论文
• Northcutt et al., "Pervasive Label Errors in Test Sets Destabilize Machine Learning Benchmarks"（2021）—— 证明 ImageNet、CIFAR-10 等主要基准中有 3–6% 的标签是错的
• Zhang et al., "Understanding Deep Learning Requires Rethinking Generalization"（2017）—— 证明神经网络能记忆随机标签，这正是单 batch 过拟合测试有效的理由
• PyTorch 文档：torch.autograd.detect_anomaly 和 torch.autograd.set_detect_anomaly，用于内置 NaN/Inf 检测