开始之前的小感慨 ：(在训练神经网络模型时，发现导入了负样本之后没办法计算loss，在这个问题上花了整整两天时间，晚上淋了一场雨，满满的伤心，回来咬咬牙继续硬刚，终于发现问题出现再哪了，检查问题的过程非常耗时耗精神。
先上图，出现的问题如下：
就如图中显示的loss:nan，看到这个nan就觉得恶心，刚了两天，其实就是一个小问题，主要是一开始没有方向性，在代码里各种检测，花费了大量时间，希望给其他可能会遇到类似问题的人提供一些思路，特别希望大家不会遇到这种坑 TAT
首先说一下，怎么分析出来是负样本问题的，一开始我并不知道是负样本出了问题，后来一步步检查才发现的，如果想直接知道怎么解决，翻到最下面即可。
思路：
- 首先，数据是成功导入的，可以训练的，这就说明导入数据格式没有问题，确定这一点也花了不少功夫，一直在检查是不是导入的数据集里有很多空集或0，因为数据集比较大，加上负样本，有三百万组数据，所以一开始以为是空集和0特征向量造成的，后来检查发现，并不是，数据集都是没有问题的。
- 数据处理部分的逻辑关系，这个反反复复修改了很多个版本，当然也发现了之前代码的一些错误，但并不是关键原因，这个就比较扎心了，每次发现问题之后的期待，重新跑模型依然发现还是
loss没办法计算。在这一部分关注的焦点是label，其实已经很接近真相了，只是我的关注重点是产生的label是不是有空集的情况，最后发现，也不是逻辑关系，产生的label”没问题“。但到这一步就更扎心了，label是最容易出问题的一个地方，居然不是label的问题，那路在何方？ ? - 最后，终于发现问题了，因为之前没有加入负样本来跑是可以的，不断思考中发现，没有包含负样本的神经网络模型输出是5635个单元的
softmax分类问题，实际label的数量是5634，我现在加入了负样本的神经网络模型，把负样本全部标记为label=5635，因为是在Keras里使用loss='sparse_categorical_crossentropy'计算损失函数，没有注意到label溢出的问题，如果是使用loss='categorical_crossentropy'，需要自己加上代码转换为one-hot vector这时应该就会发现问题的，所以，最终只要将负样本的label改成等于0或将输出层的单元数改成5636就可以了，如下：
output = Dense(5636,activation='softmax')(Drop_1) #output好了，吐槽了一堆，希望大家不要犯这种小错误，检查过程真心痛苦，各种怀疑人生，也希望这些经验能给大家一些参考。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
