El aprendizaje profundo se ha utilizado ampliamente en visión por computadora, procesamiento de lenguaje natural, reconocimiento de voz y otros campos. Si hay errores en los marcos de aprendizaje profundo, como errores de módulos faltantes y discrepancias en los resultados de GPU/CPU, causarán muchos problemas de aplicación. Proponemos un método de localización de fallas basado en la fuente, SFTL (Localización de Rastreo de Archivos Fuente), para mejorar la eficiencia de localización de fallas de estos dos tipos de errores en los marcos de aprendizaje profundo. Se analizaron 3410 informes de bloqueo en GitHub y se realizaron experimentos de localización de fallas basados en esos informes. Los resultados experimentales muestran que el método SFTL tiene una alta precisión, lo que puede ayudar a los desarrolladores de marcos de aprendizaje profundo a localizar rápidamente fallas y mejorar la estabilidad y confiabilidad de los modelos.