我怎样才能摆脱NaN的预测和损失？带Keras的LSTM

Question

我目前正在学习使用一个非常简单的数据集预测时间序列，该数据集有8列（所有数字），总共795个样本用于训练，89个样本用于测试（无NaN值）

数据已通过以下方式标准化：

scaler = MinMaxScaler(feature_range=(0,1))
scaled_data = scaler.fit_transform(dataset_to_train)

后来，在将目标与特征分离后，我使用Keras创建了一个LSTM（x_序列是缩放的，没有目标列）：

lstm_net = Sequential()
lstm_net.add(LSTM(20, input_shape=(x_train.shape[1],1), return_sequences=True))
lstm_net.add(LSTM(10,return_sequences=False))
lstm_net.add(Dense(5))
lstm_net.add(Dense(1))

对于编译（已经尝试了其他编译器，如adam或rmsprop，但没有任何更改）：

lstm_net.compile(optimizer = 'sgd', loss = 'mean_squared_error', metrics=['accuracy'])

对于配件：

lstm_net.fit(x_train,y_train, epochs=50 , batch_size=1)

它表明：

Epoch 30/50
795/795 [==============================] - 2s 2ms/step - loss: nan - accuracy: 0.0474

它的精度很低，而且一直都有损耗

要获得最终预测，请执行以下操作：

predictions = lstm_net.predict(x_test)
print(predictions)

它会打印出整个[nan]数组

关于如何解决这个问题，有什么建议吗？我尝试了我在其他帖子或论坛上找到的所有东西，大多数人都指出这可能是由于梯度问题，甚至尝试了不同的定标器，但没有结果，所以我迷路了