Keras 3分布式训练中的NaN问题分析与解决方案

问题背景

在深度学习框架Keras 3中，当使用分布式训练策略（如tf.distribute.MirroredStrategy）时，模型训练过程中会出现损失值变为NaN的问题。这个问题在Keras 3.5.0版本中不存在，但在Keras 3.9.0及更高版本中出现，表明这是一个在框架更新过程中引入的回归问题。

问题重现

通过一个简单的MNIST分类示例可以重现这个问题。当使用MirroredStrategy分布式策略时，训练过程中的损失值和准确率都变为NaN，而验证集上的指标却显示正常。同样的代码在使用tf-keras或关闭分布式策略时则表现正常。

更简单的复现代码显示，即使在没有可训练参数的模型（如仅包含Identity层的模型）上，使用MSE损失函数也会出现NaN问题，这表明问题可能出在损失计算或梯度聚合的环节。

根本原因分析

经过深入调查，发现问题源于Keras 3中变量聚合方式的改变。具体来说，在提交28d39c0中修复了变量聚合的问题，使得分布式训练真正开始工作，但也暴露了更深层次的问题。

关键发现是当使用"sum"作为聚合方式时，框架将其映射到了tf.VariableAggregation.SUM，这会导致数值不稳定。而如果将其改为映射到tf.VariableAggregation.NONE，NaN问题就会消失。

技术细节

在分布式训练中，梯度聚合是一个关键步骤。Keras 3.9.0之前的版本实际上没有正确实现变量聚合，导致分布式训练并未真正发挥作用。修复后，正确的聚合方式暴露了数值计算问题：

1. 当使用SUM聚合时，多个设备上的梯度相加可能导致数值溢出
2. 特别是对于没有正则化的简单模型，梯度可能会变得非常大
3. 在损失计算环节，这种数值不稳定会导致NaN的出现

解决方案

目前可行的临时解决方案是修改聚合方式的映射关系，将"sum"映射到NONE而非SUM：

def _map_aggregation(self, aggregation):
    mapping = {
        "none": tf.VariableAggregation.NONE,
        "sum": tf.VariableAggregation.NONE,  # 修改这里
        "mean": tf.VariableAggregation.MEAN,
        "only_first_replica": tf.VariableAggregation.ONLY_FIRST_REPLICA,
    }
    return mapping[aggregation]

更长期的解决方案需要Keras团队：

1. 重新评估分布式训练中的梯度聚合策略
2. 为不同的聚合场景添加适当的数值稳定措施
3. 可能需要引入梯度裁剪或正则化作为默认行为

最佳实践建议

在Keras官方修复此问题前，建议开发者：

1. 对于关键项目，暂时使用Keras 3.5.0版本
2. 或者使用tf-keras作为替代方案
3. 在自定义训练循环中显式添加梯度裁剪
4. 监控训练初期的梯度大小，及时发现数值不稳定问题
5. 考虑使用混合精度训练时额外注意数值范围

总结

分布式训练中的NaN问题揭示了深度学习框架在底层数值计算稳定性方面面临的挑战。随着Keras 3的持续发展，这类问题的出现和解决将帮助框架在保持易用性的同时，提供更强大、更稳定的分布式训练能力。开发者应当关注框架更新日志，并在升级版本时进行充分的测试验证。