由于使用了自定义的损失函数，因此自动编码器的预测都是NaNs

自动编码器是一种无监督学习的神经网络模型，主要用于学习数据的低维表示和特征提取。它通常由编码器和解码器两部分组成。在训练过程中，编码器将输入数据映射到低维的隐藏层表示，解码器将隐藏层表示映射回原始数据空间进行重构。自定义损失函数是为了更好地满足特定任务需求而设计的一种衡量模型预测与真实值之间差异的指标。

然而，如果使用了自定义的损失函数，并且在训练过程中预测结果出现了NaN（Not a Number）的情况，通常会出现以下几种可能原因：

1. 数值计算错误：在模型训练过程中，可能存在数值计算的错误，比如出现了除以零的情况或者其他数学运算中的错误，导致预测结果为NaN。
2. 数据异常值：训练数据中可能存在异常值或缺失值，这些异常值会导致损失函数计算的结果为NaN。
3. 梯度消失或梯度爆炸：自定义的损失函数可能导致梯度在反向传播过程中出现消失或爆炸的情况，进而导致预测结果为NaN。

针对上述问题，可以采取以下方法进行解决：

1. 检查数值计算错误：仔细检查模型的实现代码，确保数学运算的正确性，避免出现除以零或其他错误。
2. 数据预处理：对训练数据进行异常值检测和处理，可以使用统计方法或其他预处理技术来处理异常值，或者使用插值等方法填充缺失值。
3. 梯度检查和梯度裁剪：可以通过梯度检查来验证梯度的正确性，并采取梯度裁剪等技术来避免梯度消失或梯度爆炸的问题。

最后，关于腾讯云相关产品和产品介绍，由于不可提及云计算品牌商，建议您访问腾讯云官方网站（https://cloud.tencent.com）了解他们提供的云计算解决方案。