Python 用于元素相乘的Lambda层在第一次模型更新后给出了nan。（凯拉斯）

我的模型是用Keras编写的。它有多个输入，其中一个输入与倒数第二个密集层的输出相乘，然后再将logit输入softmax。通过Lambda层执行该元素乘法

def mul(x, mask):
    output = x*mask
    return output

logits = Lambda(lambda x: mul(x, input_2))(dense_output) # gives nan after first update

第一次更新模型后，Lambda层开始将NaN作为输出。
如果我在计算图中定义了一个常数向量，并与稠密层的输出相乘，这就不会发生

logits = dense_output * [1, 1, 1, 1, 1, -100, 1, -100, 1, 1] # does not give nan

我也尝试过使用Keras提供的乘法层。但在第一次更新之后，这也会引发NaN。下面是一个相同的代码片段：

logits = Multiply()([dense_output, input_2]) # gives nan after first update

我基本上想通过这个与输入相乘的方法来屏蔽某些输出状态，但是如果层继续给出NaN作为输出，我就做不到

---

有什么办法解决这个问题吗？任何和所有的帮助将不胜感激

我不确定这是怎么回事，但我已经找到了解决办法。似乎在多层之前增加一个致密层就解决了这个问题。致密层是否可训练并不重要。代码如下：

logits = Multiply()([dense_output, input_2])
initializer = tf.keras.initializers.Identity()
masked_actions = Dense(num_actions, use_bias=False, 
                       trainable=False)(logits) #returns the same logits

---

模型更新现在按预期工作，没有抛出任何错误。

我不确定这是如何工作的，但我已经找到了解决方案。似乎在多层之前增加一个致密层就解决了这个问题。致密层是否可训练并不重要。代码如下：

logits = Multiply()([dense_output, input_2])
initializer = tf.keras.initializers.Identity()
masked_actions = Dense(num_actions, use_bias=False, 
                       trainable=False)(logits) #returns the same logits

模型更新现在可以按预期工作，而不会引发任何错误