TensorFlow中Variable输出NaN求助：滚动平均值计算异常

你遇到的问题很典型，咱们先拆解你的代码，看看问题到底出在哪：

import tensorflow as tf
import numpy as np
x = tf.constant(0, name='x')
n = tf.constant(0, name='n')
y = tf.Variable(x/n, name='y')
model = tf.global_variables_initializer()
with tf.Session() as session:
    session.run(model)
    for i in range(5):
        x = x + np.random.randint(1000)
        n = n + 1
        print(session.run(x))
        print(session.run(n))
        print(session.run(y))

问题根源 #

1. 初始NaN埋下隐患：你定义y = tf.Variable(x/n, name='y')时，x和n都是初始值为0的tf.constant，初始化y的瞬间就会计算0/0，直接得到NaN。
2. 错误的变量更新逻辑：循环里的x = x + np.random.randint(1000)和n = n + 1，本质是把原来的TensorFlow张量替换成了普通Python数值，根本没修改TensorFlow计算图里的x、n节点。也就是说，每次session.run(y)时，还是在用最初的x（0）和n（0）计算，自然一直输出NaN。

修正方案 #

要解决这个问题，得用TensorFlow的变量机制来管理x和n，通过官方的赋值操作更新它们，让y的计算逻辑关联到最新的变量值：

import tensorflow as tf
import numpy as np

# 用tf.Variable替代tf.constant，支持后续更新
x = tf.Variable(0, name='x', dtype=tf.int32)
n = tf.Variable(0, name='n', dtype=tf.int32)
# 将y定义为动态计算的张量，而非固定的初始化值
y = tf.cast(x, tf.float32) / tf.cast(n, tf.float32)

with tf.Session() as session:
    session.run(tf.global_variables_initializer())
    for i in range(5):
        # 用assign_add完成TensorFlow变量的合法更新
        session.run(x.assign_add(np.random.randint(1000)))
        session.run(n.assign_add(1))
        print("x:", session.run(x))
        print("n:", session.run(n))
        print("y:", session.run(y))

关键修改说明 #

• 把x、n改成tf.Variable：这是TensorFlow中可更新状态的载体，constant是只读的，没法修改。
• 动态定义y：不再把y初始化为固定值，而是让它每次运行时都取最新的x和n计算，保证逻辑同步。
• 使用assign_add更新变量：这是TensorFlow官方推荐的变量更新方式，能正确修改计算图中的变量状态。
• 加入tf.cast类型转换：把整数转为浮点数，避免整数除法带来的精度丢失问题。

这样修改后，y就能正确输出每次的滚动平均值了。

内容的提问来源于stack exchange，提问作者Sahand