在进行一次对新数据的迁移学习测试时，意外的出现网络无法对新数据特征进行学习，输出预测偏移越来越远的情况。通过替换数据集、对CAE网络互换输入输出的尝试后，甚至出现了Loss 变为NaN的情况，因此锁定问题出自数据集中存在NaN值。
原因
因输入中含有一部分NaN值，而NaN与任何值的运算的结果都是NaN，因此 NaN 在网络学习迭代的过程会因梯度计算会逐渐传播至网络的权重中，而NaN权重的神经元连接无法进一步进行学些更新，导致网络训练陷入僵局。如果输出中含有NaN，则Loss的计算结果也会变为NaN，同样无法进行进一步训练。
解决
可使用 numpy.isnan 对输入/输出矩阵进行判断，并将 NaN 值处归零：
x_train[np.isnan(x_train)] = 0