阶段：S7-问题排查 ｜ 预计耗时：60 分钟 ｜ 前置：S7-01 不收敛排查清单 代码：本篇代码要你自己敲成
model-learn/s7_error_zoo.py——一个脚本依次触发 4 种经典报错
学习目标
- 掌握读 traceback 的固定三步：最后一行（病名）→ 往上找第一处你自己的文件（案发点）→ 看该行数字/形状
- 亲手触发 4 种高频报错，把"病名→病因→解法"写成自己的手册
- 会诊断
loss=nan（LLM 训练最常见的幽灵）
核心知识
报错速查表（本篇要全部亲手触发一遍）
| # | 报错关键词 | 病因 | 解法 |
|---|---|---|---|
| 1 | mat1 and mat2 shapes cannot be multiplied |
输入形状和 Linear 的 in_features 不符（忘 Flatten / 通道维丢了） | 逐层追 shape（S3-01 的技能） |
| 2 | object too deep ... long / CE 相关 dtype 报错 |
CrossEntropyLoss 要 long 标签，喂了 float | y.long()；回归才用 float |
| 3 | loss = nan（不报错但废了） | lr 太大 / 数据里有 NaN / log(0) | 减 lr；torch.isnan(x).any() 排查 |
| 4 | size mismatch for ... / Missing key(s) |
load_state_dict 时结构对不上 | 先建同结构模型（S3-03 破坏实验见过） |
读 traceback 的三步法（背下来）
- 最后一行：异常类型 + 一句话——"病名"
- 从下往上找第一个属于你文件的行号——"案发点"（库内部的几十层调用不用管）
- 看案发行里的具体数字——"证据"（往往就是两个 shape 对不上）
本机补充：内存类报错
- CPU 训练一般不会
CUDA out of memory（面试常问，答：减 batch / 减序列长度 / 梯度累积） - 本机可能的
MemoryError/卡死：后台大程序占内存——任务管理器先看一眼
实验任务
任务 1：写"报错动物园"脚本（30 分钟）
# s7_error_zoo.py —— 4 种报错，逐个 try/except 捕获并打印前 120 字符
import torch, torch.nn as nn
model = nn.Sequential(nn.Flatten(), nn.Linear(784, 128), nn.ReLU(), nn.Linear(128, 10))
# 1) 形状不匹配：忘 Flatten 的效果——直接喂 4 维输入给 Linear
# 2) dtype 错误：nn.CrossEntropyLoss()(out, torch.rand(64)) ← float 标签
# 3) nan 现场：w 初始化放大 + lr=100，跑 5 步打印 loss
# 4) 加载错配：model.load_state_dict(torch.load("mnist_cnn.pt")) ← 结构不同
每个触发点打印：病名一句话 + 案发点在哪个调用 + 你的诊断。
任务 2：nan 三连查（15 分钟）
制造 nan 后按顺序查：torch.isnan(输入).any() → 减 lr 重跑 → 检查是不是 log/sqrt 吃到了 0 或负数。三步写成注释留在脚本里。
任务 3：格式化你的手册（15 分钟）
把 4 个触发点的信息整理成你自己的表（病名/一句话诊断/解法），放进本阶段文件夹的笔记——以后报错先查自己的手册再问我。
验收标准
衔接下一阶段
会诊病会修 bug → 毕业层：S8-01 CIFAR-10 完整项目，把全部技能串成一个真项目。