之前搭深度学习模型时，遇到过一个很棘手的问题：
我的模型由三部分组成，前两部分读取某些特征，第三部分（LSTM）读取另外一些特征

当我写好代码开始训练时，预测输出很快就会变成
[nan,
nan,
nan,
…
nan]

上网查了很多相关资料，

https://wwwblogs/bonelee/p/8603750.html

总结起来发现大概有这样几个原因：
学习率选取不当
激活函数选取不当
梯度爆炸
…

然后我把第三部分暂时隔离出模型，发现不存在这个问题，这时我意识到可能并非上面的常见原因导致
而且我是用的loss时MSE而不是cross Entropy 似乎不应该出现类似的问题
因为三部分读取不同特征，我开始将注意力转移到我的输入特征中，尤其关注第三部分的输入

---

经过检查，发现是问题网络的输入中存在隐蔽的NaN值，我在预处理时忽略掉了

---

#假设你的输入DataFrame的名字时XXX
#可以使用下面这个语句来判断输入数据中是否包含隐蔽的Nan
XXX.isnull().any()
#更加具体地，可以使用下面这个语句来输出具体时哪些列包含nan
XXX.isnull()

到这里，我似乎发现了原因，于是，为了验证确实是这个原因造成的，我决定使用pandas处理这些隐蔽的Nan值

使用pandas处理nan

参考以下博客总结

https://blog.csdn/Tyro_java/article/details/81396000

XXX = XXX.dropna(axis = 1)#axis=1为列 =0为行
XXX = XXX.fillna(method = 'ffill', axis = 1)#用列上一个值填充
XXX = XXX.fillna(method = 'backfill', axis = 0)#用下一个
XXX = XXX.interpolate(method = 'linear', axis = 1)#用线性插值法