梯度爆炸的典型现象是训练时loss突变为nan或参数梯度突变为inf/极大值（如1e8以上），判断依据是监控各层梯度范数是否出现持续指数增长或跨量级跳变，而非单纯数值大。
梯度爆炸的典型现象和判断依据
训练时 loss 突然变成 nan，或者某次 backward 后模型参数突变为 inf 或极大绝对值（如 1e8 以上），基本可以确认梯度爆炸。但更早发现问题的方式是监控每层权重的梯度范数——如果某一层的 torch.norm(param.grad) 在前几个 epoch 就飙升到 >100，甚至 >1000，而其他层还在 0.1 附近，那它大概率是爆炸源头。
注意：不是所有大梯度都代表爆炸。RNN、Transformer 的某些层（如 embedding、decoder 最后一层）在小 batch 下天然梯度偏大，关键看**是否持续指数增长**或**跨量级跳变**。
如何在 backward 后逐层获取梯度范数
PyTorch 不自动保存中间梯度，必须在 loss.backward() 之后、optimizer.step() 之前插入钩子或遍历。最轻量的做法是直接遍历模型参数：
for name, param in model.named_parameters():
if param.grad is not None:
grad_norm = torch.norm(param.grad).item()
print(f"{name}: {grad_norm:.3f}")
常见陷阱：
-
param.grad在zero_grad()后为None，务必确保在backward()之后、step()之前执行 - BN 层的
weight和bias通常有梯度，但running_mean等 buffer 没有，别误判 - 使用
torch.nn.DataParallel时，named_parameters()返回的是 module 内部参数，没问题；但DistributedDataParallel下需确保在 rank 0 上打印，避免重复输出
用 register_hook 实现细粒度梯度监控
如果想在每次 backward 时自动记录、不侵入训练主循环，可用 register_hook：
grad_norms = {}
for name, param in model.named_parameters():
if param.requires_grad:
grad_norms[name] = []
param.register_hook(lambda grad, n=name: grad_norms[n].append(torch.norm(grad).item()))
但要注意：
- 钩子接收的是原始
grad张量，不是副本，别在钩子里做 in-place 修改（如grad.clamp_()）否则影响后续计算 - 钩子在反向传播过程中触发，顺序与计算图相反，所以
grad_norms中列表末尾不一定是最后一层——需配合name字段识别层级 - 若模型含
torch.cuda.amp混合精度，grad是 float16，torch.norm默认转 float32 计算，无问题；但若手动 cast 成 float16 再求范数，可能下溢为 0
梯度裁剪不是万能解，得知道裁哪一层
torch.nn.utils.clip_grad_norm_ 常被当成“防爆开关”，但它对所有参数一视同仁。实际中，爆炸常集中在特定结构：
- LSTM 的
weight_hh_l0（隐藏到隐藏权重）容易因长序列累积误差
- Transformer decoder 的
layers.5.self_attn.out_proj.weight 在生成任务中梯度方差极大
- 带残差连接的深层 CNN 中，浅层（如
conv1.weight）梯度可能比深层小 2–3 个数量级，全局裁剪会过度压制它们
weight_hh_l0（隐藏到隐藏权重）容易因长序列累积误差layers.5.self_attn.out_proj.weight 在生成任务中梯度方差极大conv1.weight）梯度可能比深层小 2–3 个数量级，全局裁剪会过度压制它们建议做法：先用前述方法跑 1–2 个 batch，找出梯度范数持续 >50 的层，再针对性裁剪：
立即学习“Python免费学习笔记（深入）”；
torch.nn.utils.clip_grad_norm_(model.layer5.parameters(), max_norm=10.0)
真正难的不是监控，而是区分「该大的梯度」和「失控的梯度」——比如 attention score 的梯度在 softmax 后本就稀疏且局部极大，此时看 L1 范数比 L2 更稳定；而全连接层更适合看 L2。这个细节，多数人调参时会忽略。
