LESSON 4.9 · 工程 · 120 分钟
训练可观测性与故障恢复
训练可观测性与故障恢复：理解loss spike、straggler、checkpoint、数据漂移，完成“设计训练 runbook”。属于「把训练变成系统」学习阶段。
学完你应该能够
- 能不用术语堆砌，解释「训练可观测性与故障恢复」解决了什么问题。
- 能围绕 loss spike、straggler、checkpoint 画出变量与因果关系。
- 能完成「设计训练 runbook」，并用证据而不是感觉判断结果。
核心概念
loss spike
loss spike必须用资源、吞吐、数值或数据指标验证；没有基线和故障记录的“优化”无法复现。 先给它一个可操作的定义，并指出它解决的具体问题。
straggler
straggler必须用资源、吞吐、数值或数据指标验证；没有基线和故障记录的“优化”无法复现。 把它放进前后依赖中：输入从哪里来，输出会改变谁。
checkpoint
checkpoint必须用资源、吞吐、数值或数据指标验证；没有基线和故障记录的“优化”无法复现。 写出至少一个不变量、shape 约束或成立条件。
数据漂移
数据漂移必须用资源、吞吐、数值或数据指标验证；没有基线和故障记录的“优化”无法复现。 用反例说明忽略它时系统会怎样失败。
实践任务
设计训练 runbook
- 预测：在运行代码前，写下你预期的输出、趋势或失败位置。
- 构建：定义约束与成功指标，只保留回答核心问题所需的最小组件。
- 验证：使用吞吐剖析、消融实验、故障注入与 checkpoint 恢复；保存参数、随机种子与原始结果。
- 迁移：改变模型规模、GPU 拓扑或数据混合后重做预算，说明原结论是否仍成立。