Python函数不断返回nan？

我目前正在通过重写我用其他语言编写的一些旧程序来学习python。但由于某种原因，我一直遇到一个问题，函数调用总是返回一个nan。下面是一段代码片段

如果我在梯度下降函数外调用函数theta0PartialDerivative，它将返回一个数字，否则返回一个nan。我不确定问题是什么

def theta0PartialDerivative():
    multBy=40.0
    total=temp=0

    for i in range(40):
        temp+=theta0
        temp+=theta1*sepalWidth[i]
        temp+=theta2*petalLength[i]
        temp+=theta3*petalWidth[i]
        temp-=sepalLength[i]
        total=total+temp
        temp=0
    return (multBy*total)

def gradientDescent():
    alpha=0.5
    global theta0,theta1,theta2,theta3
    theta0After=theta1After=theta2After=theta3After=1
    while(theta0After!=theta0 and theta1After!=theta1 and 
          theta2After!=theta2 and theta3After!=theta3):
        theta0=theta0After
        theta1=theta1After
        theta2=theta2After
        theta3=theta3After

        theta0After=theta0 - (alpha * theta0PartialDerivative())
        theta1After=theta1 - (alpha * theta1PartialDerivative())
        theta2After=theta2 - (alpha * theta2PartialDerivative())
        theta3After=theta3 - (alpha * theta3PartialDerivative())

theta0=theta1=theta2=theta3=accuracy=0
gradientDescent()

完整文件在此：

---

编辑：真的吗？没有人知道问题是什么？

发现了问题。阶跃变量Alpha对于我正在处理的数据集来说太大，导致偏导数发散而不是收敛。我将alpha值从0.5改为0.13，它可以正常工作

您可以演示如何在gradientDescent函数中调用它吗？你能为两个函数调用附上图解结果吗？分享更多的代码，因为这里的内容似乎不够丰富，我确实展示了如何将其称为theta0After=theta0-alpha*theta0部分派生。如果我在它打印nan的函数内部写入printtheta0PartialDerivative，则在它的外部打印-8059.9999999999。您还需要什么代码？萼片/花瓣长度/宽度都是整数列表。我正在读取一个包含50条记录的txt文件，并使用其中的40条来训练一个函数，以使用其他3个属性预测萼片长度。@Davidsidarus这里是一个python文件的repo：

def theta0PartialDerivative():
    multBy=40.0
    total=temp=0

    for i in range(40):
        temp+=theta0
        temp+=theta1*sepalWidth[i]
        temp+=theta2*petalLength[i]
        temp+=theta3*petalWidth[i]
        temp-=sepalLength[i]
        total=total+temp
        temp=0
    return (multBy*total)

def gradientDescent():
    alpha=0.5
    global theta0,theta1,theta2,theta3
    theta0After=theta1After=theta2After=theta3After=1
    while(theta0After!=theta0 and theta1After!=theta1 and 
          theta2After!=theta2 and theta3After!=theta3):
        theta0=theta0After
        theta1=theta1After
        theta2=theta2After
        theta3=theta3After

        theta0After=theta0 - (alpha * theta0PartialDerivative())
        theta1After=theta1 - (alpha * theta1PartialDerivative())
        theta2After=theta2 - (alpha * theta2PartialDerivative())
        theta3After=theta3 - (alpha * theta3PartialDerivative())

theta0=theta1=theta2=theta3=accuracy=0
gradientDescent()