TensorFlow.js自定义回归模型无输出无报错问题排查

可能存在的代码问题 #

• 输入值为0导致NaN：当xs等于0时，tf.scalar(305).div(xs)会触发除以0，得到无穷大值，后续log()运算会产生NaN，最终整个ys数组全部变为NaN，模型无法生成有效输出。
• 数值稳定性差：
  • 若xs远大于305，305/xs趋近于0，ln(305/xs)会变成绝对值很大的负数，平方后数值暴增，容易引发梯度爆炸，导致权重更新异常，模型无法收敛。
  • 若xs接近305，ln(305/xs)趋近于0，这部分特征的贡献几乎可以忽略，模型难以学习到有效参数。
• 权重初始化不当：新增参数e若使用默认初始化值（可能过大或过小），会导致输出值超出可视化范围，看起来像没有曲线。
• 重复计算冗余：代码中重复计算xs.div(tf.scalar(305))和tf.scalar(305).div(xs).log()，虽不影响功能，但增加不必要的计算开销，也容易在修改时出错。

修复建议 #

1. 处理输入边界，避免除以0：给xs添加极小的偏移量，防止出现0值：

const safeXs = xs.add(tf.scalar(1e-8)); // 避免xs为0
const xsOver305 = safeXs.div(tf.scalar(305));
const logRatio = tf.scalar(305).div(safeXs).log();

2. 特征归一化，提升稳定性：将特征缩放到合理范围（如[-1,1]），避免数值波动过大：

// 对xs/305做归一化
const normalizedXsOver305 = xsOver305.sub(tf.scalar(0.5)).mul(tf.scalar(2));
// 对ln(305/xs)做归一化（假设其范围大致在-5到5）
const normalizedLogRatio = logRatio.div(tf.scalar(5));

// 替换原计算逻辑
const ys = a
  .add(normalizedXsOver305.mul(b))
  .add(normalizedXsOver305.square().mul(c))
  .add(normalizedLogRatio.mul(d))
  .add(normalizedLogRatio.square().mul(e));

3. 优化权重初始化：手动给所有参数设置较小的随机初始值，避免输出异常：

const a = tf.variable(tf.scalar(Math.random() * 0.1));
const b = tf.variable(tf.scalar(Math.random() * 0.1));
const c = tf.variable(tf.scalar(Math.random() * 0.1));
const d = tf.variable(tf.scalar(Math.random() * 0.1));
const e = tf.variable(tf.scalar(Math.random() * 0.1));

4. 缓存重复计算结果：减少冗余计算，提升代码可读性：

const safeXs = xs.add(tf.scalar(1e-8));
const xsOver305 = safeXs.div(tf.scalar(305));
const logRatio = tf.scalar(305).div(safeXs).log();

const ys = a
  .add(xsOver305.mul(b))
  .add(xsOver305.square().mul(c))
  .add(logRatio.mul(d))
  .add(logRatio.square().mul(e));

内容的提问来源于stack exchange，提问作者Fahmi Sabila Dinnulhaq