multi-gpu-dataparrel-cls.py 报错inf

[jiakechong1991]

multi-gpu-dataparrel-cls.py 报错inf

[taishan1994]

实验条件：4卡 Ubuntu 背景：项目的其他 训练脚本 都能运行复现成功，所以框架环境应该没问题，只有下面的脚本执行有问题 运行命令：CUDA_VISIBLE_DEVICES=0,1 python multi-gpu-dataparallel-cls.py 报错如下： warnings.warn('Was asked to gather along dimension 0, but all '

我的排查过程： 我把模型的输出（logits, label = self.on_step(batch_data) loss = self.criterion(logits, label)这两行的结果变量）打印了一下，然后手动计算loss,发现确实是inf 然后我把同样的输入在 model(不打开 数据并行)单卡测试，发现loss正常， 然后把通常的输入在 model(打开 数据并行)上双卡测试,发现loss确实 inf. 一直没有排查出原因，还请大佬指教

可能的解决方法：
1、调小学习率。
2、代码中增加梯度裁剪策略。

[jiakechong1991]

实验如下（单一变量操作）：

1. 把学习率从 learning_rate = 3e-5 改成 1e-5和3e-7 报错不变
2. 把梯度加上裁剪，代码如下：
   
   报错如下：
   

大佬，疑惑一个问题：

1. 同样的模型，同样的输入，为啥单卡时，输出的logits和多卡的输出logits不同呢？dataparallel不就是 每个GPU加载同样的模型吗？

感谢大佬百忙之中指教

[taishan1994]

我也不知道是什么原因了。

[jiakechong1991]

感谢，我再研究下，如果解决就贴在这里