开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

tensorflow在预测时返回NaN

TensorFlow是一个开源的机器学习框架，用于构建和训练各种机器学习模型。在预测时返回NaN通常是由于以下几个原因：

数据预处理问题：NaN值通常表示缺失数据或无效数据。在预测之前，需要对输入数据进行预处理，确保数据的完整性和有效性。可以使用数据清洗技术，如填充缺失值或删除包含NaN值的样本。
模型训练问题：NaN值的出现可能是由于模型训练过程中的错误。可能是由于训练数据中存在NaN值，导致模型无法正确学习。在训练模型时，需要确保训练数据的质量和准确性。
模型配置问题：NaN值的返回也可能是由于模型配置的问题。可能是由于模型参数设置不当或模型结构不合理，导致预测结果出现NaN值。在使用TensorFlow进行预测之前，需要仔细检查模型的配置和参数设置。

针对以上问题，可以采取以下措施解决：

数据预处理：使用合适的方法填充缺失值或删除包含NaN值的样本。可以使用TensorFlow提供的数据处理工具，如tf.data.Dataset和tf.data.experimental.preprocessing等。
模型训练：确保训练数据的质量和准确性，排除训练数据中的NaN值。可以使用数据清洗技术或选择合适的训练数据集。
模型配置：仔细检查模型的配置和参数设置，确保其正确性。可以参考TensorFlow官方文档和示例代码，了解如何正确配置和使用模型。

推荐的腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）
腾讯云数据处理平台（https://cloud.tencent.com/product/dp）
腾讯云人工智能平台（https://cloud.tencent.com/product/ai）
腾讯云云服务器（https://cloud.tencent.com/product/cvm）
腾讯云数据库（https://cloud.tencent.com/product/cdb）

请注意，以上链接仅供参考，具体产品选择应根据实际需求和情况进行评估和决策。

相关搜索:fbprophet在ubuntu上预测时返回内存错误 Javascript在IOS上返回NAN Pandas在查询时返回nan Sigmoid函数在Java中返回NaN Tensorflow model.fit()返回带有所有浮点输入的NaN Tensorflow.js predictClass未返回classIndex (NaN)Tensorflow会话返回nan TensorFlow线性回归-返回权重、偏差和信息损失的NaN Tensorflow线性回归预测返回[nan]Tensorflow线性模型返回nan

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

Keras 的 Web 填坑记

博客主页：https://www.zhihu.com/people/tu-dou-dou-27-10

03

Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性|附代码数据

自 2000 年 1 月以来的股票价格数据。我们使用的是 Microsoft 股票。

00

[译]TensorFlow Serving RESTful API

今年六月TensorFlow Serving在以往的gRPC API之外，开始支持RESTful API了，使得访问更加符合常用的JSON习惯，本文翻译自官方文档，提供RESTful API的使用指南，如与官网有出入，以官网为准，以下为正文。

01

构建基于深度学习神经网络协同过滤模型(NCF)的视频推荐系统(Python3.10/Tensorflow2.11)

毋庸讳言，和传统架构(BS开发/CS开发)相比，人工智能技术确实有一定的基础门槛，它注定不是大众化，普适化的东西。但也不能否认，人工智能技术也具备像传统架构一样“套路化”的流程，也就是说，我们大可不必自己手动构建基于神经网络的机器学习系统，直接使用深度学习框架反而更加简单，深度学习可以帮助我们自动地从原始数据中提取特征，不需要手动选择和提取特征。

02

Keras构建神经网络踩坑(解决model.predict预测值全为0.0的问题)

之前不知道Keras这么方便，在构建神经网络的过程中绕了很多弯路，最开始学的TensorFlow，后来才知道Keras。

03

浅谈keras中Dropout在预测过程中是否仍要起作用

因为需要，要重写训练好的keras模型，虽然只具备预测功能，但是发现还是有很多坑要趟过。其中Dropout这个坑，我记忆犹新。

03

推荐系统中模型训练及使用流程的标准化

导读：本次分享的主题为推荐系统中模型训练及使用流程的标准化。在整个推荐系统中，点击率 ( CTR ) 预估模型是最为重要，也是最为复杂的部分。无论是使用线性模型还是当前流行的深度模型，在模型结构确定后，模型的迭代主要在于特征的选择及处理方面。因而，如何科学地管理特征，就显得尤为重要。在实践中，我们对特征的采集、配置、处理流程以及输出形式进行了标准化：通过配置文件和代码模板管理特征的声明及追加，特征的选取及预处理等流程。由于使用哪些特征、如何处理特征等流程均在同一份配置文件中定义，因而，该方案可以保证离线训练和在线预测时特征处理使用方式的代码级一致性。

02

使用 LSTM 进行多变量时间序列预测的保姆级教程

来源：DeepHub IMBA本文约3800字，建议阅读10分钟本文中我们将使用深度学习方法 (LSTM) 执行多元时间序列预测。使用 LSTM 进行端到端时间序列预测的完整代码和详细解释。我们先来了解两个主题：什么是时间序列分析？什么是 LSTM？时间序列分析：时间序列表示基于时间顺序的一系列数据。它可以是秒、分钟、小时、天、周、月、年。未来的数据将取决于它以前的值。在现实世界的案例中，我们主要有两种类型的时间序列分析：单变量时间序列多元时间序列对于单变量时间序列数据，我们将使用单列进行

04

为什么去开发一个MLSQL

第一个，算法的着眼点是，用最快速的方式清洗一些数据出来，然后接着建模训练，评估预测效果，之后再重复清洗数据，再试验。因为很多算法工程师都是Python系的，对他们来说，最简单的方式自然是写python程序。一旦确认清洗方式后，这种数据清洗工作，最后研发工程师还要再重新用Spark去实现一遍。那么如果让算法工程师在做数据清洗的时候，直接使用PySpark呢？这样复用程度是不是可以有所提高？实际上是有的。但是算法工程师初期用起来会比较吃力，因为PySpark的学习成本还是有的，而且不小。

02

总结一下模型工程化部署的几种方式

昨天我看到公众号的后台有同学留言说我好几天没有更新公众号了，我开玩笑的回复，我的公众号遵循国家法定假日。在这里感谢大家的支持，一直默默地关注着我的公众号。

01

如何优雅地用TensorFlow预测时间序列：TFTS库详细教程

作者：何之源转载自知乎专栏：AI Insight 量子位已获授权编辑发布这篇文章中，作者详细介绍了TensorFlow Time Series（TFTS）库的使用方法。主要包含数据读入、AR模型的训练、LSTM模型的训练三部分内容。内容翔实有趣，量子位转载分享给大家。前言如何用TensorFlow结合LSTM来做时间序列预测其实是一个很老的话题，然而却一直没有得到比较好的解决。如果在Github上搜索“tensorflow time series”，会发现star数最高的tgjeon/Tensor

06

TensorFlow－5: 用 tf.contrib.learn 来构建输入函数

学习资料： https://www.tensorflow.org/get_started/input_fn 对应的中文翻译： http://studyai.site/2017/03/06/%E3%80%90Tensorflow%20r1.0%20%E6%96%87%E6%A1%A3%E7%BF%BB%E8%AF%91%E3%80%91%E9%80%9A%E8%BF%87tf.contrib.learn%E6%9D%A5%E6%9E%84%E5%BB%BA%E8%BE%93%E5%85%A5%E5%87%

07

tensorflow语法【zip、tf.tile、tf.truncated_normal、tf.data.Dataset.from_tensor_slices、dataset中shuffle()】

【一】tensorflow安装、常用python镜像源、tensorflow 深度学习强化学习教学

03

《Scikit-Learn与TensorFlow机器学习实用指南》第16章强化学习（下）

在二十世纪初，数学家 Andrey Markov 研究了没有记忆的随机过程，称为马尔可夫链。这样的过程具有固定数量的状态，并且在每个步骤中随机地从一个状态演化到另一个状态。它从状态S演变为状态S'的概率是固定的，它只依赖于(S, S')对，而不是依赖于过去的状态（系统没有记忆）。

02

人人都可以做深度学习应用：入门篇

导语 2016年，继虚拟现实（VR）之后，人工智能（AI）的概念全面进入大众的视野。谷歌，微软，IBM等科技巨头纷纷重点布局，AI 貌似将成为互联网的下一个风口。很多开发同学，对人工智能非常感兴趣，确不知从何入手进行学习，精神哥也同样被这个问题困扰。直至看见汉彬同学的这篇文章，豁然开朗，让我坚定地迈出了成为“AI 工程师”的第一步！本文来自：腾讯QQ会员技术团队微信公众号：小时光茶社一、人工智能和新科技革命 2017年，围棋界发生了一件比较重大的事，Master（AlphaGo）以60连胜横扫天下，

08

回顾︱DeepAR 算法实现更精确的时间序列预测（二）

在机器学习中，目前主流的方法是利用LSTM等递归神经网络来对未来数据进行预测，这次介绍的DeepAR模型也不例外，不过不同的是，DeepAR模型并不是直接简单地输出一个确定的预测值，而是输出预测值的一个概率分布，这样做的好处有两点：

02

ValueError: Input contains NaN, infinity or a value too large for dtype(‘float64’).

笔者在使用LogisticRegression模型进行预测时，报错 Traceback (most recent call last): File “D:/软件（学习）/Python/MachineLearing/taitannike/train.py”, line 55, in predicted_np = clf.predict(test_np) File “D:\Python\Anaconda\lib\site-packages\sklearn\linear_model\base.py”, line 281, in predict scores = self.decision_function(X) File “D:\Python\Anaconda\lib\site-packages\sklearn\linear_model\base.py”, line 257, in decision_function X = check_array(X, accept_sparse=‘csr’) File “D:\Python\Anaconda\lib\site-packages\sklearn\utils\validation.py”, line 573, in check_array allow_nan=force_all_finite == ‘allow-nan’) File “D:\Python\Anaconda\lib\site-packages\sklearn\utils\validation.py”, line 56, in _assert_all_finite raise ValueError(msg_err.format(type_err, X.dtype)) ValueError: Input contains NaN, infinity or a value too large for dtype(‘float64’). Age False

02

TensorFlow入门（3）：使用神经网络拟合N元一次方程

文章主要介绍了如何利用深度学习对打乱后的数字进行排序，并提供了代码示例和详细的步骤说明。首先介绍了排序算法的作用和重要性，然后详细讲解了如何使用深度学习中的排序算法对打乱后的数字进行排序，并给出了具体的代码示例和步骤说明。通过本文的学习，读者可以掌握如何使用深度学习对打乱后的数字进行排序，并能够根据实际需求进行代码实现。

01

人人都可以做深度学习应用：入门篇

一、人工智能和新科技革命 2017年围棋界发生了一件比较重要事，Master（Alphago）以60连胜横扫天下，击败各路世界冠军，人工智能以气势如虹的姿态出现在我们人类的面前。围棋曾经一度被称为“人类智慧的堡垒”，如今，这座堡垒也随之成为过去。从2016年三月份AlphaGo击败李世石开始，AI全面进入我们大众的视野，对于它的讨论变得更为火热起来，整个业界普遍认为，它很可能带来下一次科技革命，并且，在未来可预见的10多年里，深刻得改变我们的生活。其实，AI除了可以做我们熟知的人脸、语音等识别之外，它

08

人人都可以做深度学习应用：入门篇

一、人工智能和新科技革命 2017年围棋界发生了一件比较重要事，Master（Alphago）以60连胜横扫天下，击败各路世界冠军，人工智能以气势如虹的姿态出现在我们人类的面前。围棋曾经一度被称为“人

06

机器学习实战之风功率预测

目前机器学习与气象数据的结合已经在实际生产中有了应用，比如风电场风功率预测、光伏功率预测和负荷预测。本文以风功率预测作为一个小栗子：风功率预测是指以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的运行状态及运行工况，得到风电场未来的输出功率，预测时间尺度包括短期预测和超短期预测，目的是上报国家电网，利于国家电网调度。目前主流方案是结合数值天气预报和机器学习算法（LSTM、SVM等）对风功率进行时序预测，包含超短期预报（未来4个小时共16个时刻）和短期预报（未来三天共288个时刻）。本文主要利用WRF的气象要素预报数据和LSTM算法进行风功率预测。

Tensorflow入门教程（三十三）——图像分割损失函数FocalLoss

常见的图像分割损失函数有交叉熵，dice系数，FocalLoss等。今天我将分享图像分割FocalLoss损失函数及Tensorflow版本的复现。

02

什么是多层感知机(什么是多层感知机)

感知机接受多个输入信号，输出一个信号，x1,x2是输入信号，y是输出信号，w1，w2是权重，输出y=x1w1+x2w2,当这个总和超过了某个界限值时，才会输出1。这也被称为“神经元被激活”。这里将这个界限值称为阈值，用θ表示

01

人人都可以做深度学习应用：入门篇（下）

本文主要介绍了如何通过深度学习来识别和解决一些常见的问题，包括数据分类、数据聚类、数据降维、图像处理、自然语言处理、强化学习等。文章还介绍了深度学习在机器人、游戏、自动驾驶等领域的应用。最后，文章探讨了深度学习未来的发展趋势和方向。"

02

Google 发布官方中文版机器学习术语表

一种统计方法，用于将两种或多种技术进行比较，通常是将当前采用的技术与新技术进行比较。A/B 测试不仅旨在确定哪种技术的效果更好，而且还有助于了解相应差异是否具有显著的统计意义。A/B 测试通常是采用一种衡量方式对两种技术进行比较，但也适用于任意有限数量的技术和衡量方式。

01

精通 TensorFlow 1.x：16~19

TensorFlow 模型还可用于在移动和嵌入式平台上运行的应用。 TensorFlow Lite 和 TensorFlow Mobile 是资源受限移动设备的两种 TensorFlow。与 TensorFlow Mobile 相比，TensorFlow Lite 支持功能的子集。由于较小的二进制大小和较少的依赖项，TensorFlow Lite 可以获得更好的表现。

01

基于Tensorflow2 Lite在Android手机上实现图像分类

Tensorflow2之后，训练保存的模型也有所变化，基于Keras接口搭建的网络模型默认保存的模型是h5格式的，而之前的模型格式是pb。Tensorflow2的h5格式的模型转换成tflite格式模型非常方便。本教程就是介绍如何使用Tensorflow2的Keras接口训练分类模型并使用Tensorflow Lite部署到Android设备上。

04

干货 | Google发布官方中文版机器学习术语表

本术语表中列出了一般的机器学习术语和 TensorFlow 专用术语的定义。本文中每个释义中的加粗概念都可以在本文中检索到。建议收藏~ A/B 测试 (A/B testing) 一种统计方法，用于将两种或多种技术进行比较，通常是将当前采用的技术与新技术进行比较。A/B 测试不仅旨在确定哪种技术的效果更好，而且还有助于了解相应差异是否具有显著的统计意义。A/B 测试通常是采用一种衡量方式对两种技术进行比较，但也适用于任意有限数量的技术和衡量方式。准确率 (accuracy) 分类模型的正确预测所占的比

03

基于Tensorflow2 Lite在Android手机上实现图像分类

Tensorflow2之后，训练保存的模型也有所变化，基于Keras接口搭建的网络模型默认保存的模型是h5格式的，而之前的模型格式是pb。Tensorflow2的h5格式的模型转换成tflite格式模型非常方便。本教程就是介绍如何使用Tensorflow2的Keras接口训练分类模型并使用Tensorflow Lite部署到Android设备上。

01

如何确保机器学习最重要的起始步骤"特征工程"的步骤一致性？

关于特征工程，业界有这么一句话：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限。

02

Google发布的机器学习术语表 (中英对照）

一种统计方法，用于将两种或多种技术进行比较，通常是将当前采用的技术与新技术进行比较。A/B 测试不仅旨在确定哪种技术的效果更好，而且还有助于了解相应差异是否具有显著的统计意义。A/B 测试通常是采用一种衡量方式对两种技术进行比较，但也适用于任意有限数量的技术和衡量方式。

01

TensorFlow2.0（8）：误差计算——损失函数总结

均方误差（Mean Square Error），应该是最常用的误差计算方法了，数学公式为：

02

Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测|附代码数据

根据频率，时间序列可以是每年（例如：年度预算），每季度（例如：支出），每周（例如：销售数量），每天（例如天气），每小时（例如：股票价格），分钟（例如：来电提示中的呼入电话），甚至是几秒钟（例如：网络流量）。

00

Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测|附代码数据

根据频率，时间序列可以是每年（例如：年度预算），每季度（例如：支出），每周（例如：销售数量），每天（例如天气），每小时（例如：股票价格），分钟（例如：来电提示中的呼入电话），甚至是几秒钟（例如：网络流量）。

00

Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测|附代码数据

使用ARIMA模型，您可以使用序列过去的值预测时间序列（点击文末“阅读原文”获取完整代码数据）。

01

Google发布机器学习术语表 (包括简体中文)

Google 工程教育团队已经发布了多语种的 Google 机器学习术语表，该术语表中列出了一般的机器学习术语和 TensorFlow 专用术语的定义。语言版本包括西班牙语，法语，韩语和简体中文。 h

06

【官方中文版】谷歌发布机器学习术语表（完整版）

【新智元导读】Google 工程教育团队已经发布了多语种的 Google 机器学习术语表，该术语表中列出了一般的Machine Learning术语和 TensorFlow 专用术语的定义。语言版本包

05

如何确保机器学习最重要的起始步骤"特征工程"的步骤一致性？

关于特征工程，业界有这么一句话：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限。

02

tensorflow笔记（四）之MNIST手写识别系列一

http://www.cnblogs.com/fydeblog/p/7436310.html

01

【学术】谷歌AI课程附带的机器学习术语整理（超详细！）

AiTechYun 编辑：xiaoshan 为了帮助大家更好的了解机器学习，谷歌在上周推出了一系列免费的AI课程，同时还附带了一个详细地机器学习术语库。本术语库中列出了一般的机器学习术语和 Tens

07

资料 | Google发布机器学习术语表 (中英对照）

源 | TensorFlow 回复 20180320 下载PDF版 Google 工程教育团队已经发布了多语种的 Google 机器学习术语表，该术语表中列出了一般的机器学习术语和 TensorFlo

08

Google发布机器学习术语表 (中英对照）

来源 | TensorFlow Google 工程教育团队已经发布了多语种的 Google 机器学习术语表，该术语表中列出了一般的机器学习术语和 TensorFlow 专用术语的定义。语言版本包括西班

03

机器学习术语表机器学习术语表

https://developers.google.com/machine-learning/crash-course/glossary 机器学习术语表本术语表中列出了一般的机器学习术语和 TensorFlow 专用术语的定义。 A A/B 测试 (A/B testing) 一种统计方法，用于将两种或多种技术进行比较，通常是将当前采用的技术与新技术进行比较。A/B 测试不仅旨在确定哪种技术的效果更好，而且还有助于了解相应差异是否具有显著的统计意义。A/B 测试通常是采用一种衡量方式对两种技术进行比较，但

07

如何优雅地用TensorFlow预测时间序列：TFTS库详细教程

前言如何用TensorFlow结合LSTM来做时间序列预测其实是一个很老的话题，然而却一直没有得到比较好的解决。如果在Github上搜索“tensorflow time series”，会发现star数最高的tgjeon/TensorFlow-Tutorials-for-Time-Series已经和TF 1.0版本不兼容了，并且其他的项目使用的方法也各有不同，比较混乱。在刚刚发布的TensorFlow 1.3版本中，引入了一个TensorFlow Time Series模块，以下简称为TFTS）。TFT

如何在Python中用LSTM网络进行时间序列预测

Matt MacGillivray 拍摄，保留部分权利翻译 | AI科技大本营（rgznai100）长短记忆型递归神经网络拥有学习长观察值序列的潜力。它似乎是实现时间序列预测的完美方法，事实上，它可能就是。在此教程中，你将学习如何构建解决单步单变量时间序列预测问题的LSTM预测模型。在学习完此教程后，您将学会：如何为预测问题制定性能基准。如何为单步时间序列预测问题设计性能强劲的测试工具。如何准备数据以及创建并评测用于预测时间序列的LSTM 递归神经网络。让我们开始吧。 Python中使用

04

如何在TensorFlow 2.0中构建强化学习智能体

对此，Keras 提出者、谷歌科学家 François Chollet 表示，这是一份非常详尽的介绍。

02

Apache Hudi与机器学习特征存储

如果在训练和推理系统中特征工程代码不相同，则存在代码不一致的风险，因此，预测可能不可靠，因为特征可能不相同。一种解决方案是让特征工程作业将特征据写入在线和离线数据库。训练和推理应用程序在做出预测时都需要读取特征-在线应用可能需要低延迟（实时）访问该特征数据，另一种解决方案是使用共享特征工程库（在线应用程序和训练应用程序使用相同的共享库）。

02

Python数据分析之Pandas（五）

: | ---: | ---: | ---: | ---: | ---: | | 0 | S001 | 怠涵 | 女 | 23 | 山东 | | 1 | S002 | 婉清 | 女 | 25 | 河南 | | 2 | S003 | 溪榕 | 女 | 23 | 湖北 | | 3 | S004 | 漠涓 | 女 | 19 | 陕西 | | 4 | S005 | 祈博 | 女 | 24 | 山东 |

01

案例：Spark基于用户的协同过滤算法

一基于用户协同过滤简介基于用户的协同过滤算法(user-based collaboratIve filtering) 基于用户的协同过滤算法是通过用户的历史行为数据发现用户对商品或内容的喜欢(如商品购买，收藏，内容评论或分享)，并对这些喜好进行度量和打分。根据不同用户对相同商品或内容的态度和偏好程度计算用户之间的关系。在有相同喜好的用户间进行商品推荐。简单的说就是如果A,B两个用户都购买了x,y,z三本图书，并且给出了5星的好评。那么A和B就属于同一类用户。可以将A看过的图书w也推荐给用户B。 Spa

06

深度学习算法(第20期)----创意RNN和深度RNN的简单实现

上期我们一起学习了如何训练RNN并预测时序信号，深度学习算法(第19期)----RNN如何训练并预测时序信号？今天我们一起简单学习下创意RNN和深度RNN的实现。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭