Tensorflow 波士顿教程中的张量流发散损失

我真的被这个特殊的例子绊住了。因此，我想知道是否有人面临同样的问题。是我遇到问题的教程页面。当我执行时<代码>回归器.train（input\u fn=get\u input\u fn（training\u set），步长=5000）行，损失呈指数发散。因此，我在最后得到的权重不会产生现实的预测。由于整个示例处于原样的状态，因此我无法干预该过程

当我用

Theta=pinv（X'*X）*X'*y

应用正态方程时，我用

Theta

进行的预测是：

[33.624  17.714  21.796  33.601  12.852  19.621]

本教程中提出的正确结果是：

[33.30348587  17.04452896  22.56370163  34.74345398  14.55953979   19.58005714]

似乎正态方程产生了几乎正确的输出。我设计了我自己的模型，它只包含一个神经元，损失仍然和教程模型一样分散。然后我应用均值归一化和特征缩放，使损失收敛到局部极小值。但是当我将权重与预测集相乘时，它产生了没有意义的负面结果

我的问题是，我如何解决这个问题

编辑：以下是代码：

training_set = csvread('boston_train.csv');
training_set = training_set(2:end,:);
training_set = training_set(:,1:10);

首先修剪第一行，因为它包含无意义的数据。并修剪最后2列，其中仅包含未存储在csv文件中的0。可能是

csvread

功能的一个小问题

y = training_set(:,10);
X = training_set(:,1:9);

提取输出和特征

m = size(X,1);
X_norm = featureNormalize(X);
X = [ones(m,1) X_norm];
Theta = zeros(n,1); # Zero initialize the weight vector.
alpha= 0.01; # Learning rate.

采用特征缩放和均值归一化

[Theta,losses]= gradientDescent(X, y, Theta, alpha, 5000);
fprintf('Final Loss computed = %f\n', losses(end));

损失约为16.551243

predict_set = csvread('boston_predict.csv');
predict_set = predict_set(:,1:9);
predict_set= predict_set(2:end,:);
ps_size = size(predict_set,1);
predict_set=[ones(ps_size,1) predict_set];

对predict_集进行一些预处理以去除冗余值

predictions = predict_set * Theta

结果向量为：

  57.254
 -96.769
 -39.343
 -10.582
 -111.768
 -88.005