Machine learning TensorFlow培训不起作用：模型无法学习数据

我有一个超过1700万次观测的数据集，我正试图用它来训练一个

dnnRecessor

模型。然而，培训根本不起作用。损失大约为10^15，这太可怕了。几周来我一直在尝试不同的事情，无论我做什么，我都无法让损失减轻

例如，在训练后，我使用训练数据时使用的相同观察值之一进行测试预测。预期结果为

140944.00

，但预测结果为

-169532.5

，这是不合理的。训练数据中甚至没有任何负值，我不明白它怎么会这么差

以下是一些示例培训数据：

金额贡献服务类型百分位时间结果
214871.00 3501.00 SM23高50 17807828.00
214871.00 3501.00 SM23高51 19216520.00
214871.00 3501.00 SM23高52 19676064.00
214871.00 3501.00 SM23高53 21038840.00
214871.00 3501.00 SM23高54 22248295.00
214871.00 3501.00 SM23高55 22412713.00
28006.00 83.00 SM0 i_低0 28006.00
28006.00 83.00 SM0 i_低1 28804.00
28006.00 83.00 SM0 i_低2 30140.00
28006.00 83.00 SM0 i_低3 31598.00
28006.00 83.00 SM0 i_低4 33130.00
28006.00 83.00 SM0 i_低5 34663.00

这是我的代码：

feature\u列=[
tf.feature\u column.numeric\u column（'Amount'，dtype=dtypes.float32），
tf.feature\u column.numeric\u column（'Contribution'，dtype=dtypes.float32），
tf.feature\u column.embedding\u column(
tf.feature\u column.categorical\u column\u与词汇表(
“服务类型”，
[
“SM0”、“SM1”、“SM2”、“SM3”，
‘SM4’、‘SM5’、‘SM6’、‘SM7’，
‘SM8’、‘SM9’、‘SM10’、‘SM11’，
‘SM12’、‘SM13’、‘SM14’、‘SM15’，
‘SM16’、‘SM17’、‘SM18’、‘SM19’，
“SM20”、“SM21”、“SM22”、“SM23”
],
dtype=dtypes.string
),
尺寸=16
),
tf.feature\u column.embedding\u column(
tf.feature\u column.categorical\u column\u与词汇表(
“百分位”，
['i_low'、'low'、'mid'、'high']，
dtype=dtypes.string
),
尺寸=16
),
tf.feature\u column.numeric\u column（'Time'，dtype=dtypes.int8）
]
模型=tf.estimator.dnnRecessor(
隐藏单位=[64,32]，
要素列=要素列，
model_dir=os.getcwd（）+“\job”，
标签尺寸=1，
重量\列=无，
优化器='Adagrad'，
激活\u fn=tf.nn.elu，
辍学=无，
输入\层\分区器=无，
config=RunConfig(
主=无，
核数=4，
log\u device\u placement=False，
gpu_内存_分数=1，
tf_random_seed=无，
保存\u摘要\u步骤=100，
保存检查点\u秒=0，
保存检查点\u步骤=无，
保持检查点最大值为5，
每小时保持检查点=10000，
记录步数步数步数=100，
评估_master=“”，
model_dir=os.getcwd（）+“\job”，
会话配置=无
)
)
打印（‘培训…’）
模型.列车（输入=获取输入（“列车”），步数=100000）
打印（'评估…'））
模型。评估（输入=获取输入（'test'），步骤=4000）
打印（'预测…'）
预测=模型.predict（输入\u fn=获取\u输入\u fn（'predict'））
打印（列表（预测））

输入fn

的计算如下：

def split_input（）：
data=pd.read\u csv（'C:\\all\u data.txt'，sep='\t'）
x=数据。下降（'结果'，轴=1）
y=数据。结果
返回列车试验分离（x，y，试验尺寸=0.2，随机状态=123）
def get_input_fn（输入类型）：
列车x，测试列车x，列车y，测试列车y=拆分输入（）
如果输入类型=‘列车’：
返回tf.estimator.inputs.pandas\u input\u fn(
x=列车x，
y=列车y，
num_epochs=无，
洗牌=真
)
elif输入类型==“测试”：
返回tf.estimator.inputs.pandas\u input\u fn(
x=测试x，
y=测试y，
num_epochs=1，
洗牌=错误
)
elif输入类型==“预测”：
返回tf.estimator.inputs.pandas\u input\u fn(
x=pd.DataFrame(
{
“金额”：52050.00，
“贡献”：1394.00，
“服务类型”：“SM0”，
“百分位”：“i_低”，
“时间”：5
},
索引=[0]
),
num_epochs=1，
洗牌=错误
)

结果如下：

培训。。。
信息：tensorflow：损耗=6.30944e+15，步长=1
信息：tensorflow:global_step/sec:457.091
信息：tensorflow：损耗=3.28245e+15，步长=101（0.219秒）
信息：tensorflow:全局步长/秒：533.271
信息：tensorflow：损耗=2.65647e+15，步长=201（0.188秒）
信息：tensorflow:全局步长/秒：533.274
...
信息：tensorflow：损耗=1.06601e+15，步长=99701（0.203秒）
信息：tensorflow:global_step/sec:533.289
信息：tensorflow：损耗=2.12652e+15，步长=99801（0.188秒）
信息：tensorflow:global_step/sec:533.273
信息：tensorflow：损耗=1.31647e+15，步长=99901（0.203秒）
信息：tensorflow:将100000的检查点保存到C:\projection\u model\job\model.ckpt。
信息：tensorflow：最后一步损失：2.88956e+15。
评价。。。
信息：tensorflow:评估[1/4000]
信息：tensorflow:评估[2/4000]
信息：tensorflow:评估[3/4000]
...
信息：tensorflow:评估[3998/4000]
信息：