Python Tensorflow示例在colab上运行良好，但在jupyter实验室上运行时给出了nan

使用tensorflow关于colab：基本回归：预测燃油效率的示例教程后，可在此处找到：。
我一直试图通过anaconda在jupyter笔记本上运行此示例，以便也能脱机运行。
可以在链接上找到的代码在GoogleColab上运行良好，但当我尝试在jupyter笔记本上运行它时，我得到了nan的向量

在google colab上运行会产生：

在jupyter上运行会产生：

构建顺序模型的代码：[问题可能来自何处]

horsepower_model = tf.keras.Sequential([
    horsepower_normalizer,
    layers.Dense(units=1)
])

horsepower_model.summary()

其余代码可以在我上面附加的链接中找到：

模型必须执行的操作：
该模型从一个数据集中获取两个数组：MPG和马力，并将使用单变量线性回归从马力预测MPG。
因此，该模型引入了一个形状为1的致密层，如图所示：

layers.Dense(units=1)

模型的输出应为基于马力值的MPG值。
然后，我们将能够将其与从数据集获得的实际MPG值进行比较

先谢谢你

编辑：我上传我的笔记本：

---

我看到您在其中使用了不同的型号。 在Colab中，您使用的模型只有5个参数 而在笔记本中您使用的是具有944参数的密集模型

首先尝试在笔记本上运行参数较少的模型 或 试着在两个平台上运行相同的模型。（可能复杂的模型没有完全训练。）

编辑1: 我创建了一个jupyter笔记本并尝试了代码。 在我的系统中，它工作正常，请尝试在您的系统中运行此jupyter笔记本。 . 如果它能工作，那么代码中可能有一些语法错误

编辑2: 更新tensorflow：

pip install --ignore-installed --upgrade tensorflow

---

使用此命令或在您的版本上运行的任何其他命令。

在每个马力值周围添加一组额外的括号可以解决我的问题：

horsepower = np.array([[h] for h in train_features['Horsepower']])

---

这正是我所想的。但我制作模型的方法在colab和jupyter中都是一样的。这就是为什么我不明白为什么它应该在colab中工作，而不是在jupyter中。没有理由认为colab和jupyter笔记本中的参数数量应该不完全相同。你能分享模型的详细信息吗，因为这里有点不清楚模型到底在做什么当然，只是编辑了一下。谢谢你的帮助。我在答案中分享我的笔记本。我正在编辑答案，请检查并让我知道。是的，你是对的。这可能就是原因。上传时请告诉我。另外，你能给我的答案打勾吗，它有助于建立repo。在第一个图像中，

标准化\u 1

层的输出形状为

（无，1）

，而在第二个图像中，它是

（无，314）

。请包括这两个示例的输入形状的代码。我使用的代码是您可以在下面的链接中找到的代码：我保存了此代码，并试图通过anaconda在我的jupyter实验室上运行它。在colab和jupyter中都是相同的代码。我不明白为什么我得到的规格化1层不同的输出形状。谢谢你试着帮助我。