1. 课程导入与排障思维建立

数值计算异常与收敛问题，是科学计算、工程仿真、优化求解和机器学习训练中最常见、也最容易被误判的一类故障。它们往往不表现为程序崩溃，而是以“结果不对”“跑不完”“越算越离谱”的形式出现，排查难度远高于语法错误。本课程用45个真实场景化的案例，帮助你建立一套可复用的排障思维：先判断异常属于哪一类，再定位它发生在计算链的哪一环，最后用最小代价的试验验证假设。

一、典型表现：异常到底长什么样

数值异常的表象五花八门，但归纳起来主要有四类。第一类是数值溢出与非法值：迭代中出现 NaN、Inf，或矩阵出现 1e308 量级的元素，随后整个计算被污染。第二类是不收敛或收敛过慢：迭代残差在某个量级反复震荡，或残差下降速度远低于预期，迭代次数触顶仍未达到容差。第三类是结果失真：程序正常结束，但解与物理直觉或解析解偏差很大，常见于病态矩阵、步长过大、离散格式不当。第四类是性能与稳定性异常：计算时间突然暴涨、内存溢出、并行结果与串行不一致。

这四类表现对应的根因层次不同：非法值多来自表达式定义域越界或除零；不收敛多来自算法选择、初值、松弛因子或雅可比条件；结果失真多来自模型离散化与条件数；性能异常多来自稀疏结构破坏或线程竞争。排障的第一步不是改代码，而是给异常归类，因为不同类别的排查路径完全不同。

二、排障流程：从现象到根因的收敛路径

一个高效的排障流程应当遵循“先复现、再缩小、后验证”的原则。具体来说：先构造一个最小可复现用例，把问题从大模型中剥离出来；再沿计算链逐段插桩，观察中间量的量级、符号、条件数是否突变；然后针对可疑环节做对照试验，例如把迭代法换成直接法、把步长减半、把初值改为解析近似解，看现象是否消失；最后回归验证，确认修复后原用例通过且未引入新问题。

这里要特别强调“二分定位”的思想：不要一上来就怀疑最复杂的模块。数值问题的传播具有放大性，一个早期的微小误差可能在下游被放大成灾难。因此插桩点应优先放在数据入口、矩阵组装、迭代更新和输出四个关键位置，先确认哪一段开始“变坏”，再深入该段内部。

三、工具链概览：让中间量“看得见”

排障的效率很大程度上取决于你能否低成本地观察中间量。常用工具可分为四层。第一层是语言级调试与断言：在 Python 中用 numpy.seterr(all='raise') 让除零和溢出直接抛异常，而不是静默产生 NaN；在 C/C++ 中用 assert(std::isfinite(x)) 守住关键变量。第二层是数值诊断函数：numpy.linalg.cond 查看条件数，numpy.isnan/isinf 扫描数组，scipy.sparse.linalg 的残差监控。第三层是日志与可视化：把每步残差、步长、目标函数值写入日志并画收敛曲线，震荡与发散一眼可辨。第四层是性能与并行工具：cProfile、perf、线程检查工具，用于定位性能异常和并行不一致。

一个实用习惯是：在迭代循环里固定打印 iter, residual, step, x_norm 四个量。残差单调下降说明收敛正常；残差先降后升往往意味着步长过大或矩阵条件恶化；残差在 1e-3 附近平台化，可能是容差设置不合理或存在舍入误差下限。

四、45例学习路径：按“异常类型”而非“算法名称”组织

本课程不按算法罗列，而是按异常类型组织案例，因为排障时你面对的是现象，不是算法名。整体路径分为五个阶段：基础诊断（非法值、条件数、容差设置）、线性系统（病态矩阵、预条件、稀疏结构）、非线性与优化（雅可比奇异、线搜索失败、局部极小）、常微分与时间推进（刚性、步长控制、稳定性）、综合复盘（并行一致性、精度与性能权衡）。每个案例都遵循“现象描述—最小复现—插桩观察—对照验证—修复与回归”的闭环，你可以把它当作排障模板直接套用。

五、本节小结与行动建议

数值排障的核心不是记住某个算法的坑，而是建立“归类—插桩—对照—回归”的稳定思维链。面对一个异常，先问三个问题：它是非法值、不收敛、结果失真还是性能异常？它从计算链的哪一段开始出现？用哪个最小改动能验证我的假设？把这三个问题问清楚，大多数看似玄学的数值问题都会收敛到明确的根因。接下来的44个案例，就是这条思维链在不同场景下的反复演练。