floating point exception(core dump)

最新推荐文章于 2025-05-30 09:15:47 发布
原创 最新推荐文章于 2025-05-30 09:15:47 发布 · 4.1k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

出现这种情况的原因有两个：

1、gcc版本不匹配 

2、出现了分母为0的情况

lilylovehong
关注
coredump-n: Floating point exception；qemu；division by zero
mzhan017的博客
09-13 224
这里有一例，除零出来的问题。这个产生的后果比较严重。
猿创征文｜【Linux Debug】有了core-dump，Bug一举拿下！
Donge's Blog
11-09 876
`core-dump`文件，又称为**核心转储**，是操作系统在**进程收到某些信号终止运行**时，将此时**进程的地址空间、进程状态以及其他信息**写入到一个文件中，这个文件就是`core-dump`文件，其主要是为了方便开发人员调试，定位问题。
Floating point exception (core dumped)解决
weixin_42176745的博客
06-21 4562
yolo-fatest数据集放置方式
OpenFOAM算例报错，浮点溢出错误，Floating point exception【汇总】
深海民工CFDer
10-02 1万+
浮点数例外（吐核）错误 今天，在运行案例文件时出现以下错误： 在网上查阅了一些资料，给出了以下建议: 1 查网格质量（checkMesh） 2 确认边界条件是否出错 3 确认一下是不是出现了除以0的这种情况。 4 其他数学上的错误，比如负数开根 5 是不是time step太大了？ 用的PISO 、PIMPLE 还是SIMPLE？ 6 编译了新的程序以后，solver有没有重新编译，是否相关的头文件都重新编译过了一次？ 弄了半天，结果发现是忘了设置场量setFields。 参考文献：https
Harmon项目中浮点异常问题的分析与解决
最新发布
gitblog_07901的博客
05-30 245
Harmon项目中浮点异常问题的分析与解决 问题背景 在图像生成与文本生成领域，Harmon项目作为一个创新的跨模态生成框架，为用户提供了强大的图像到文本(Image-to-text)和文本到图像(Text-to-image)的生成能力。然而，在实际部署和使用过程中，部分用户遇到了"Floating point exception (core dumped)"的运行时错误，这直...
Floating point exception(core dumped)
oriel123的博客
05-07 2万+
浮点数异常： 1.检查是否有除以0的可能 2.检查double的计算以及初始化，初始化要带小数点。 3.freepkt,poppkt
floating point exception (core dumped)
jacke121的专栏
11-11 1800
floating point exception (core dumped)
GCC版本导致的Floating Point Exception
独自登高楼 望断天涯路
06-28 2万+
在嵌入式系统中经常遇到开发环境版本与程序运行时环境版本不一致，由于使用高版本的gcc glibc 编译后在低版本的glibc上运行导致，可能导致Floating Point Exception运行时错误。这是由于现在的gcc在link的时候默认会采用选项--hash-style=gnu，而使用这种Hash表的方式可以大大提升动态链结时的效率。 而老版本的glibc本并未支持，我们只要在在程序连接选
openfoam模拟时取消报错Floating point exception (core dumped)，从而看到具体错误内容
weixin_44162814的博客
08-08 1151
是用于在 OpenFOAM 环境中解除对浮点异常（Floating Point Exception, FPE）的信号处理。
无涯教程-C++ try/catch
无涯教程
06-01 487
在C++编程中，使用try/catch语句执行异常处理。C++用于放置可能发生异常的代码。用于处理异常。
Coredump-N: Program received signal SIGFPE, Arithmetic exception
mzhan017的博客
02-14 1676
2023-2-14， 遇到一例。这种出现的机率很低，除非在非常隐蔽的逻辑错误导致除数出现为0的情况。还是需要对照这个function backtrace和代码做问题分析。这里是算数运算出现异常。大多数情况是，做除法，但是除数是0.
【linux】coredump、gdb调试崩溃的程序
郭老二
03-24 1421
当程序运行的过程中异常终止或崩溃，操作系统会将程序当时的内存状态记录下来，保存在一个文件中（core文件），这种行为就叫做 Core Dump 或者叫做 ‘核心转储’，利用 coredump 可以帮助我们快速定位程序崩溃位置。coredump和Valgrind的区别。
H20半精度推理报错：Floating point exception (core dumped)
m0_46435741的博客
03-04 1874
课题组新到的8卡H20服务器在使用过程中，torch加载模型进行bf16的推理时，出现Floating point exception (core dumped)错误。当时一头雾水，后来苦苦寻找，找到。时间是 2025年3月4日。
Floating point exception
dutchlight的博客
06-28 1万+
https://stackoverflow.com/questions/35393867/c-floating-point-exception-core-dumped由rand() % 0导致
Floating point exception (core dumped)，pytorch——报错记录
dysljxjsq的博客
11-11 4376
Floating point exception (core dumped) pytorch图片预处理时报错Floating point exception (core dumped) transform = transforms.Compose([transforms.Resize([224, 224]), transforms.ToTensor(), transforms.No
bug: 21141 Floating point exception(core dumped)
hunter
05-30 1412
现象描述： 21141 Floating point exception(core dumped) 原因： 解决：
搭建达梦dsc时启动dmasmsvr时报Floating point exception (core dumped)错误
weixin_43455738的博客
04-20 765
达梦8 DSC集群启动dmasmsvr时报Floating point exception (core dumped)错误初始化过程参考 启动dmasmsvr时报Floating point exception (core dumped)错误 服务器1可正常启动，服务器2报该错误，因服务器2未使用dmasmcmd 工具进行初始化，虽然官方手册中表示该初始化只需在一台机器上执行即可，但实际需要2台均进行初始化操作，执行后服务启动成功。 初始化过程参考 create dcrdisk ‘/dev/raw/raw
floating point exception
mua123456的博客
02-15 1586
解决 Floating Point Exception 问题
Floating Point Exception
热门推荐
懒雄熊的专栏
10-13 2万+
 Floating Point Exception Floating Point Exception就是浮点数异常，常常发生在编译好的程序，放入到另外台机器上运行时 。产生浮点数异常的原因是两台机器版本不同，程序在高版本的系统编译好，放入低版本系统运行因为低版本系统gcc有时候不支持高版本gcc的新技术，比如高版本gcc在链接时采用了新的哈希技术来提高动态链接的速度，所以才会产生浮点数异常
deepseek Floating point exception (core dumped)
04-02
<think>嗯，用户遇到了DeepSeek模型运行时出现的浮点异常问题，导致核心转储。我需要先理解浮点异常的可能原因。浮点异常通常涉及无效的浮点运算，比如除以零、无穷大或NaN（非数字）的产生。这些可能在模型的前向传播、反向传播或数据处理过程中出现。 首先，我应该考虑数据预处理的问题。输入数据中的异常值或无效值可能导致运算错误。例如，归一化时如果分母为零，或者数据中存在NaN，都会引发问题。用户需要检查输入数据是否经过正确的归一化和清洗，确保没有缺失值或极端值。 然后是模型架构本身。某些操作在特定条件下会失败，比如对数函数的输入为负数，或者某些层的参数初始化不当导致数值不稳定。例如，使用ReLU激活函数后接对数损失函数时，如果ReLU输出为零，取对数会导致负无穷。用户需要检查模型中是否存在这种风险操作，并考虑使用数值稳定的替代方法，比如在log函数中添加一个小常数epsilon。 超参数设置也很重要。学习率过大可能导致梯度爆炸，权重初始化不当也可能引发数值问题。用户应该检查学习率是否合理，是否使用了适合的初始化方法，比如He初始化或Xavier初始化。 框架和库的版本兼容性也不能忽视。不同版本的深度学习框架可能会有不同的行为，某些API的变动可能导致意外的错误。用户应确认使用的框架版本与模型代码兼容，并查看是否有已知的浮点异常相关的bug。 接下来，调试工具的使用。启用框架的详细日志和异常检测功能，比如TensorFlow的tf.debugging或PyTorch的torch.autograd.detect_anomaly，可以帮助定位具体出错的代码位置。此外，逐步执行代码，检查中间变量的值是否正常，比如是否有NaN或Inf出现，这也是有效的排查方法。 用户提到的引用[1]中提到，测试单调性通常需要枚举所有可能值，但由于64位浮点的范围太大，实际中不可行，因此依赖算法设计和验证来确保平滑性。这提示用户需要检查模型中的数值稳定性设计，比如是否在易出问题的运算中添加了保护措施。 可能还需要考虑硬件问题，比如GPU或CPU的浮点运算单元是否存在故障，但这种情况较为少见，应优先排查软件和代码问题。 总结下来，解决方案应分步骤：检查数据预处理，审查模型架构中的数值操作，验证超参数和初始化方法，确保框架版本正确，利用调试工具定位问题，添加数值稳定性措施如梯度裁剪、epsilon添加等。如果问题依旧，可能需要逐步简化模型以隔离问题模块。</think>针对DeepSeek模型运行时出现的浮点异常（floating point exception）导致核心转储（core dumped）的问题，以下是分步骤解决方案： ### 一、常见原因诊断 1. **数值计算异常** - 检查是否存在$0/0$、$\log(0)$、$\sqrt{-1}$等非法运算 - 使用调试工具定位出现NaN/Inf的运算位置（如TensorFlow的`tf.debugging.check_numerics`） - 建议添加数值稳定化处理： $$ \text{softmax}(x)_i = \frac{e^{x_i - \text{max}(x)}}{\sum_j e^{x_j - \text{max}(x)}} $$ 2. **内存越界访问** - 验证张量维度匹配性（特别是广播操作） - 检查自定义CUDA核函数中的指针偏移计算 3. **第三方库依赖问题** - 确认CUDA/cuDNN版本与框架要求匹配 - 重新编译关键组件（如使用`LD_DEBUG=libs`检查动态链接） ### 二、调试步骤 ```python # 示例：PyTorch异常检测 import torch torch.autograd.set_detect_anomaly(True) # 示例：TensorFlow数值检查 import tensorflow as tf tf.debugging.enable_check_numerics() ``` 1. **最小化复现场景** - 通过`try-except`块隔离问题代码段 - 逐步注释模型组件进行二分法排查 2. **核心转储分析** ```bash gdb /path/to/executable core bt full # 查看完整堆栈跟踪 info registers # 检查浮点寄存器状态 ``` ### 三、预防措施 1. **数值稳定性增强** - 在易发操作前添加微小偏移量： $$ \epsilon = 1e-8 $$ - 实施梯度裁剪： $$ g = \frac{g}{\max(1, \|g\|_2/\theta)} $$ 2. **框架级保护** ```python # PyTorch示例 torch.set_printoptions(precision=10, sci_mode=False) torch.autograd.set_detect_anomaly(True) ``` 3. **硬件验证** - 使用`stress-ng --matrix 0 -t 1h`进行浮点单元压力测试 - 检查ECC内存错误计数 ### 四、引用说明 数值稳定性验证需要结合理论推导与经验验证[^1]，建议通过自动微分梯度检查工具确保反向传播的正确性[^2]。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值