归一化输入输出张量时出现NaN结果的技术求助

核心原因 #

你的张量conts_total中存在NaN值，导致调用.min()和.max()时返回NaN，最终归一化计算出现全NaN结果。

步骤1：确认并定位NaN值 #

先验证张量中是否存在NaN：

# 检查是否有NaN
print(torch.isnan(conts_total).any())
# 统计NaN总数量
print(torch.isnan(conts_total).sum().item())
# 查看哪些样本包含NaN
nan_rows = torch.where(torch.isnan(conts_total).any(dim=1))[0]
print(nan_rows)

步骤2：处理NaN值 #

根据数据场景选择以下方式之一：

• 移除含NaN的样本（样本量充足时优先）：

  # 保留所有不含NaN的行
  conts_total = conts_total[~torch.isnan(conts_total).any(dim=1)]
  

• 用列均值填充（样本量有限时）：

  for col_idx in range(conts_total.shape[1]):
      col = conts_total[:, col_idx]
      # 获取该列非NaN值的均值
      col_mean = col[~torch.isnan(col)].mean()
      # 填充NaN
      col[torch.isnan(col)] = col_mean
  

• 用固定值填充（如0，需结合特征含义判断）：

  conts_total = torch.nan_to_num(conts_total, nan=0.0)
  

步骤3：正确实现Min-Max归一化 #

机器学习中通常按特征（列）单独归一化，而非全局归一化（原代码全局计算min/max不符合常规操作）。正确代码如下：

# 按列计算每个特征的min和max，保持维度以便广播
min_vals = conts_total.min(dim=0)[0].unsqueeze(0)
max_vals = conts_total.max(dim=0)[0].unsqueeze(0)

# 避免除以0（如果某列所有值相同）
ranges = max_vals - min_vals
ranges[ranges == 0] = 1.0

# 执行归一化
model_input = (conts_total - min_vals) / ranges

内容的提问来源于stack exchange，提问作者sarika