Machine learning NaN的Tensorflow多元线性回归结果

我正在使用sklearn的波士顿住房数据集（506x13矩阵）进行多元线性回归。我计划使用所有数据对其进行训练，然后“插入”随机数据，如

boston\u dataset.data[39]

，然后查看损失。但是当我打印结果时，我得到的是

NaN

。这是我的密码

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_boston

np.set_printoptions(suppress=True)

boston = load_boston()

m = boston.data.shape[0] - 1

bt_unfixed = np.transpose(boston.data)
bt = np.insert(bt_unfixed, 0, 1)

Y = tf.placeholder(tf.float64, name='Y___')
X = tf.placeholder(tf.float64, [1, 13], name='X_____')
#print X.shape
W = tf.Variable(tf.zeros([13, 1]), name='weights')
b = tf.Variable(0.5, name='bias')

hypothesis = tf.add(tf.matmul(X, tf.cast(W, tf.float64)), tf.cast(b, tf.float64))

loss = tf.reduce_sum(tf.square(hypothesis - Y)) / (2 * m)

optimizer = tf.train.GradientDescentOptimizer(0.01)

train_op = optimizer.minimize(loss)

with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    for i in range(0, 500):
        for (x, y) in zip(boston.data, boston.target):
            sess.run(train_op, feed_dict={X:x.reshape(1, 13), Y:y})
        if (i + 1)%50 == 0:
            print "Ran " + str(i) + "times\nW=" +str(sess.run(W)) + "\nb=" +str(sess.run(b))

    print "Done!\n"
    print "Running test...\n"
    t = sess.run(cost, feed_dict={X:boston.data[504], Y:boston.target.data[504]})
    print "loss =" + str(t) + "Real value" + str(boston.target.data[504]) + "Pred " +str(sess.run(hypothesis, feed_dict={X:boston.data[504]}))

---

谢谢大家!！另外，请随意添加任何建议

似乎您没有对波士顿数据进行任何数据预处理，这会使损失和假设值转到inf（NaN）。所以我对数据进行了规范化，并且它是有效的。这是我的密码

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_boston

np.set_printoptions(suppress=True)

boston = load_boston()

m = boston.data.shape[0] - 1

bt_unfixed = np.transpose(boston.data)
bt = np.insert(bt_unfixed, 0, 1)

Y = tf.placeholder(tf.float64, name='Y___')
X = tf.placeholder(tf.float64, [1, 13], name='X_____')
#print X.shape
W = tf.Variable(tf.zeros([13, 1]), name='weights')
b = tf.Variable(0.5, name='bias')

hypothesis = tf.add(tf.matmul(X, tf.cast(W, tf.float64)), tf.cast(b, tf.float64))

loss = tf.reduce_sum(tf.square(hypothesis - Y)) / (2 * m)

optimizer = tf.train.GradientDescentOptimizer(0.01)

train_op = optimizer.minimize(loss)

with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    for i in range(0, 500):
        for (x, y) in zip(boston.data, boston.target):
            sess.run(train_op, feed_dict={X:x.reshape(1, 13), Y:y})
        if (i + 1)%50 == 0:
            print "Ran " + str(i) + "times\nW=" +str(sess.run(W)) + "\nb=" +str(sess.run(b))

    print "Done!\n"
    print "Running test...\n"
    t = sess.run(cost, feed_dict={X:boston.data[504], Y:boston.target.data[504]})
    print "loss =" + str(t) + "Real value" + str(boston.target.data[504]) + "Pred " +str(sess.run(hypothesis, feed_dict={X:boston.data[504]}))

将tensorflow导入为tf
将numpy作为np导入
将matplotlib.pyplot作为plt导入
从sklearn.dataset导入加载
波士顿=加载波士顿（）
data=boston.data
label=boston.target
#标准化数据
数据-=np.平均值（数据，轴=0）
数据/=np.std（数据，轴=0）
M=boston.data.shape[0]
Y=tf.placeholder（tf.float32，name='Y'）
X=tf.placeholder（tf.float32[1,13]，name='X'）
W=tf.Variable（tf.random_normal（[13,1]），name='weights'）
b=tf.Variable（tf.random_normal（[1]），name='bias'）
假设=tf.add（tf.matmul（X，W），b）
损失=tf.减和（tf.平方（假设-Y））/（2.*（M-1））
优化器=tf.train.GradientDescentOptimizer（0.01）
列车运行=优化器。最小化（损失）
使用tf.Session（）作为sess：
sess.run（tf.initialize\u all\u variables（））
对于范围（0，500）内的i：
对于X范围内的l（M）：
_，损耗值，hypo=sess.run(
[训练、损失、假设]，
feed_dict={X:data[l，：].重新整形（[1,13]），
Y:标签[l]}）
如果（i+1）%50==0：
打印“Ran”+str（i）+“times\nW=“+\
str（sess.run（W））+“\nb=“+str（sess.run（b））
打印“完成！\n”
打印“正在运行测试…\n”
t=sess.run(
丢失，feed_dict={X:data[50]。重新整形（[1,13]），
Y:标签[50]}）
打印“损失=”+str（t）
打印“实际值Y:+str（标签[50]）
打印“Pred Y:”+str（sess.run）（假设，
feed_dict={X:data[50]。重塑（[1,13]））