由于使用了自定义损耗函数，自动编码器的预测结果都是NAN

Question

我正在为基因表达数据构建一个自动编码器。有些基因不表达，输入中含有NaN。我的输出（预测）都是NaN。这是我的损失函数：

def nan_mse(y_actual, y_predicted):
    per_instance = tf.where(tf.is_nan(y_actual),
    tf.zeros_like(y_actual),
    tf.square(tf.subtract(y_predicted, y_actual)))
    return tf.reduce_mean(per_instance, axis=0)

和型号：

input_data = Input(shape=(1,num_genes))

#Leaky-Parametric-RelU
#Encoder
x = Dense(num_genes)(input_data)
encoder = PReLU()(x)

#Battleneck layer
encoded = Dense(64, activation = 'sigmoid')(encoder)

#Decoder
x = Dense(num_genes)(encoded)
decoder = PReLU()(x)

autoencoder = Model(input_data, decoder)
autoencoder.compile(loss=nan_mse, optimizer = 'adam') 
autoencoder.summary()

history = autoencoder.fit(x_train,x_train, epochs =50, verbose = 2),                      
 callbacks = [MyCustomCallback()])

我的目标是让网络忽略NaN值，但重要的是在输入中预先输入它们。这可以通过完成损失函数来实现吗

现在输出是NaN。此处有用户建议编辑代码，以便：

def nan_mse(y_actual, y_predicted):
    stack = tf.stack((tf.is_nan(y_actual), 
                      tf.is_nan(y_predicted)),
                     axis=1)
    is_nans = tf.keras.backend.any(stack, axis=1)
    per_instance = tf.where(is_nans,
                            tf.zeros_like(y_actual),
                            tf.square(tf.subtract(y_predicted, y_actual)))
    print(per_instance)
    return tf.reduce_mean(per_instance, axis=0)

现在我的损失是0.0000e+00，但这并不能解决根本问题

Original question.

Answer 1

x=pd.read\u csv（“C:/Users/10.csv”，index\u col=False）.groupby（['Column\u name\u optional']）.mean（）.reset\u index（）

x=x.replace（np.nan，0）

这将用零替换所有NaN