Python 除非每次迭代都初始化torch.lstm，否则使用torch.lstm会引起NAN
我尝试使用Python 除非每次迭代都初始化torch.lstm，否则使用torch.lstm会引起NAN,python,pytorch,lstm,nan,Python,Pytorch,Lstm,Nan,我尝试使用torch.nn.lstm来预测未来的零售价格。随着时间的推移，我的数据涵盖了不同的存储。在每次迭代中，我绘制两个存储的批大小，然后在数据中涵盖的时间段内按顺序训练LSTM。 我的问题是——在每次迭代中，我创建一个month X 2-stores数据集（为了这篇文章），并在模型中运行它。 在开始之前，我使用init函数初始化它。在这种情况下，生成的张量充满了nan。另一方面，如果每次都使用init，结果就是实际数字。 lstm模型是 n_特征=68 n_步数=3 批量大小=2 seq_
torch.nn.lstm我的问题是——在每次迭代中，我创建一个
month X 2-stores在开始之前，我使用
initnaninitlstm模型是
n_特征=68
n_步数=3
批量大小=2
seq_len=n_步数*批量大小
n_hidden=2#隐藏状态数
n_层=2#LSTM层数（堆叠）
# 2. 建立模型
SmallLSTM类（火炬nn模块）：
定义初始（自、n个特征、顺序、n个隐藏、n个图层、n个步骤、批次大小）：
super（smallsm，self）。\uuuu init\uuuuu（）
self.n_特征=n_特征
self.seq_len=seq_len
self.n_hidden=n_hidden#隐藏状态数
self.n_层=n_层#LSTM层数（堆叠）
self.n_步数=n_步数
self.batch\u size=批次大小
self.l_lstm=torch.nn.lstm（输入尺寸=self.n_特征，
隐藏大小=self.n\u隐藏，
num_layers=self.n_layers，
批次_first=True，
辍学率=0.1）
#根据Pyrotch文档，LSTM输出为
#（批次大小、序列长度、数量方向*隐藏大小）
#首先考虑批次时=真
self.l\u linear=torch.nn.linear（self.n\u步长*self.batch\u大小*self.n\u隐藏，self.batch\u大小）
def初始隐藏（自身、批次大小）：
#即使批处理_first=True，这仍然与文档相同
隐藏状态=火炬0（self.n\u层，1，self.n\u隐藏）
cell_state=torch.zero（self.n_层，1，self.n_隐藏）
self.hidden=（隐藏状态，单元格状态）
def前进（自身，x）：
#批量大小，顺序长度，=x.大小（）
lstm_out，self.hidden=self.l_lstm（x，self.hidden）
#lstm_out（批处理_first=True）为
#（批次大小、序列长度、数量方向*隐藏大小）
#对于下面的线性层，我们希望保持批量大小的尺寸，并合并其余部分
#.continuous（）->解决张量兼容性错误
lstm_out=lstm_out.重塑（（1，self.n_步骤*self.batch_大小*self.n_隐藏））
lstm_out=自线性（lstm_out）
#self.hidden=[self.hidden中元素的elem.detach_u2;（）
返回lstm_
batch\u size=2
存储\u绘制\u idx=2
Stores\u train\u batch=Stores\u train.iloc[Stores\u drawing\u idx:Stores\u drawing\u idx+批量大小]
存储\u列\u批。重置\u索引（就地=真，下降=真）
存储\u绘制\u idx+=批量大小
月份=Xy['Month'].sort_values（）.unique（）
n_步数=3
mv_net=SmallLSTM（n_特征=n_特征\
seq_len=seq_len\
n_hidden=n_hidden\
n_层=n_层\
n_步数=n_步数\
批次大小=批次大小）
mv_net.init_hidden（1）
序列批处理=pd.DataFrame（列=Xy.columns）
对于范围内的j（存储列批形状[0]）：
X=Xy\U temp\u month.drop（['origin\u address'、'Retailer\u origin'、'month'、'target']，axis=1）。value.astype（'float32'））
y=Xy临时月[Xy临时月['month']==months临时月[-1]['target']
X=焊炬从（X整形（1，n步*批量大小，X形状[1]））
X=火炬.张量（X，dtype=火炬.浮标32）
y=torch.tensor（y=torch.values.astype（'float32'），dtype=torch.float32）。重塑（[len（y）]）
n_特征=68
seq_len=n_步数*批量大小
n_hidden=2#隐藏状态数
n_层=2#LSTM层数（堆叠）
标准=torch.nn.MSELoss（reduce='sum'）
optimizer=torch.optim.Adam（mv_net.parameters（），lr=0.05，weight_decay=1500）
有效损耗最小值=1000
#mv_net.init_hidden（1）
输出=毫伏净功率（X）
损耗=标准（输出，y）
打印（loss.item（））
print（loss.item（））nanmv_net.init_hidden（1）谢谢 您能否确认在
forward（）self.hiddennan