你在训练一个40层Transformer，PyTorch DDP多机多卡，混合精度。固定数据子集和随机种子后，loss前100步正常下降，之后部分卡突然出现NaN，其他卡继续下降。团队有人建议全局学习率减半，有人建议加梯度裁剪，有人建议用gradient checkpointing。作为训练负责人，你会怎样切分定位问题、决定短期止血和长期改动？请给出具体排查顺序、验证实验和取舍标准。

面试官在考什么

判断候选人能否把反向传播从链式法则提升到分布式训练排障与系统取舍。

反向传播

回答框架 · 前两步

1. 先把 NaN 切分成四类原因再动手：前向数值溢出（exp/log、除零、半精度溢出）、反向梯度爆炸、loss scale 失配、DDP 某卡数据或通信异常——四类的观测手段完全不同。
2. NaN可能来自前向（如exp/log、除零、混合精度溢出）或反向（梯度爆炸、梯度累乘、DDP allreduce），不能只调LR。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 从「背过」到「能选型」：原理的三层准备法

想看这个方向的整体准备路线？ 进入「深度学习基础」方向页

同一能力域的其他题

• 请说明 BatchNorm 和 LayerNorm 的计算方式有什么不同？在同一个 batch 里，BN 的统计量是怎么算出来的、推理时又用的是什么？
• 为什么深层网络需要残差连接？它解决了什么问题？换个角度问：残差结构为什么能让梯度更好地传回去？
• Dropout 在训练和推理阶段的行为分别是什么？为什么推理时要乘一个系数？它和 BatchNorm 一起用时有什么坑？
• 你手写了一个两层全连接网络（输入 784 → 隐层 256 + ReLU → 10 类 softmax 交叉熵）和完整的前向/反向传播，但训练完全不收敛。你打算用数值梯度检验（有限差分）来确认反向传播写对了。请具体说明：你用什么误差度量判断"通过"、epsilon 取多大、用 float32 还是 float64、用多少参数和多少条样本做检验、要不要关掉随机性；以及如果解析梯度和数值梯度在 1e-2 量级对不上，你如何定位到是哪一层、哪个公式写错了。
• 一个两层网络：z = W1·x，a = ReLU(z)，y = W2·a，损失 L = ½‖y − t‖²。请写出 ∂L/∂W2 和 ∂L/∂W1 的表达式（写清每个因子的形状，以及要不要转置），并回答：如果某个样本的 z 的每个分量都小于 0，这个样本对 W1 的梯度是多少？为什么？
• 一个 30 层的全连接网络（每层 512 维），输入特征已标准化，激活用 sigmoid，训练 loss 几乎不动、底层梯度范数接近 0。团队给了两个方案：(A) 把 sigmoid 换成 ReLU；(B) 保留 sigmoid，但在每个线性层后加 BatchNorm。请从梯度连乘的角度定量说明梯度消失的机制，并判断这两个方案哪个更可能解决问题、为什么。