PyTorch中LSTM预测家庭用电输出恒为0直线的问题排查

一、归一化/反归一化环节 #

• 确认MinMaxScaler的拟合范围：必须仅在训练集上拟合scaler，测试和预测阶段直接复用训练集的scaler参数，不能在全量数据上拟合后再拆分数据集，否则会导致数据分布偏移。
• 检查目标变量的反归一化：如果预测后忘记对模型输出做反归一化，直接输出归一化后的值，而目标变量归一化后本身集中在0附近，就会出现全0直线。验证scaler.inverse_transform()的输入形状是否匹配，比如模型输出是[batch_size, 1]，需要调整为[batch_size, num_target_features]的格式再做反归一化。
• 核对目标变量的原始分布：打印训练集中目标变量的统计值（均值、最小值、最大值），排除目标本身大部分接近0的情况。

二、模型结构与输入维度 #

• 确认LSTM的batch_first参数：PyTorch LSTM默认输入格式是(seq_len, batch_size, num_features)，如果你的输入是(batch_size, seq_len, num_features)，必须在模型定义时添加batch_first=True，否则输入维度会被完全误解，模型无法学到有效模式。
• 检查输出层的映射逻辑：当seq_len=1时，LSTM的输出（batch_first=True时）是(batch_size, 1, hidden_size)，需要正确提取[:, 0, :]（或[:, -1, :]）作为隐藏层输出，再连接到线性输出层。如果错误地使用了LSTM的隐藏状态而非输出，或者输出层维度不匹配，会导致输出异常。
• 排查参数初始化：检查模型参数是否被错误初始化为全0，或使用了导致梯度消失的初始化方式（比如过小的初始值）。

三、训练过程与损失计算 #

• 打印训练时的模型输出：每个epoch随机抽取几个样本，查看模型的归一化后预测值，如果训练阶段就输出全0，说明模型根本没学到东西，需进一步排查梯度。
• 检查梯度状态：训练时打印各层参数的梯度值，若梯度接近0（梯度消失），尝试调整学习率、减少LSTM层数或更换激活函数；若出现NaN，检查数据是否有异常值。
• 确认训练循环的正确性：
  • 训练时必须调用model.train()，避免batchnorm/dropout处于评估模式；
  • 确保loss.backward()和optimizer.step()被正确调用，没有遗漏反向传播步骤；
  • 核对损失函数的计算对象，是否把输入特征和目标变量搞混，导致损失计算错误（比如用输入特征代替目标计算损失，模型会收敛到输出0）。

四、预测阶段细节 #

• 确认预测时的模型模式：必须调用model.eval()，并使用torch.no_grad()包裹预测代码，避免不必要的梯度计算和训练模式的影响。
• 检查预测输入的预处理：预测数据的归一化必须和训练数据一致，即使用训练集拟合的scaler，不能重新拟合测试/预测数据的scaler。
• 核对预测输入的形状：确保预测输入的形状和训练时完全一致，比如训练时是[batch_size, 1, 3]，预测时单样本要调整为[1, 1, 3]，不能省略batch或序列长度维度。

内容的提问来源于stack exchange，提问作者Minh Trit D