你用 torch.cuda.amp（autocast + GradScaler）在单卡上训练一个 Transformer，前几百步正常，之后 loss 突然变成 NaN。你已经确认数据没有脏值、学习率也没动过。请说明：AMP 下为什么会出现这种 NaN，GradScaler 在其中做了什么，以及你想先看哪个现象来判断是前向溢出还是反向梯度溢出。

面试官在考什么

是否理解 fp16 的数值范围与 loss scaling 的因果链，能否把 NaN 归因到前向或反向的具体环节，而不是把 AMP 当成一个黑盒开关。

混合精度

回答框架 · 前两步

1. fp16 的动态范围窄（最大约 65504，最小正规数约 6e-5），反向传播中很多梯度值小于最小正规数会被下溢成 0，所以需要 loss scaling。
2. GradScaler 在前向把 loss 乘上 scale 再 backward，使所有梯度同步放大；在 optimizer.step() 之前调用 unscale_ 把梯度除回来，保证更新量正确。

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

• 训练一个深度学习模型时，loss 突然变成 NaN，你会按什么顺序排查？请给出你的排查清单。
• 显存不够时你会怎么办？请按"最小改动到最大改动"排序给出你的方案。
• 你的模型离线指标很好但线上效果很差，你会从哪些角度排查？请按优先级说。
• 梯度裁剪是解决什么问题的？按值裁剪和按范数裁剪有什么区别？裁剪阈值你会怎么定？
• 模型参数量、FLOPs、显存占用、推理延迟这四个指标之间是什么关系？为什么参数量小的模型有时反而更慢？
• 你要在 A100 上训练一个 1B 参数的语言模型。用 fp16 + GradScaler 的 AMP 方案时，loss 能降但曲线比纯 fp32 抖动明显，大约 2000 步时突然出现溢出、之后又恢复。同事说「直接换 bf16 就行了，bf16 比 fp16 精度高」。请回答三件事：(1) fp16 和 bf16 在指数位/尾数位上到底差在哪；(2) 为什么 bf16 通常不需要 loss scaling 而 fp16 需要；(3) 换成 bf16 后你预期抖动、溢出和最终收敛会怎么变，代价是什么。