當深度學習模型在訓練過程中遇到損失值(Loss)爆炸時，這通常是由於以下幾個原因造成的：
梯度爆炸：當學習率設定得過高時，每次參數更新可能會邁出過大的步伐，導致無法順利到達損失函式的最小值，而是跳出了可控制區域，使得損失值成倍增大。這種情況在網路層數較深時更容易發生。解決方法包括降低初始學習率並設定學習率衰減。
數據問題：輸入數據可能包含異常值或損壞的數據，這些數據在訓練過程中可能會導致損失值變為非數(nan)或無窮大(inf)。需要仔細檢查輸入數據，並在代碼中添加檢測函式來監測訓練或預測過程中可能遇到的隱晦問題。
模型問題：模型可能因為層數過多、激活函式或損失函式選擇不當、沒有使用歸一化層（如Batch Normalization）、或者使用了stride大於kernel size的池化層而導致數值穩定性變差，容易出現梯度消失或爆炸。解決方法包括減少學習率、檢查並調整損失函式的組成、在log運算中加入小的常數以防止數據溢出、使用殘差網路、梯度剪裁、加入BN層或嘗試其他正則化技術。
在實際套用中，如果遇到損失值爆炸的問題，應該首先考慮降低學習率，並檢查數據是否正確。如果問題依舊存在，可以逐步排查模型的各個部分，包括激活函式、損失函式的選擇、層數的深度、歸一化層的使用等。此外，使用調試工具來檢查模型在訓練過程中的輸入和輸出是否正確也是非常重要的。