我见过很多东西使模型产生分歧。
学习率太高。您通常可以判断出损失是否开始增加然后发散到无穷大。
我不熟悉DNNClassifier，但我猜想它使用了分类交叉熵代价函数。这涉及获取预测的对数，该对数随着预测接近零而发散。这就是为什么人们通常在预测中添加较小的ε值以防止这种差异。我猜测DNNClassifier可能会这样做或使用tensorflow opp。可能不是问题。
可能存在其他数值稳定性问题，例如除以零，在这种情况下添加epsilon可能会有所帮助。如果在处理有限精度数时未适当简化，则导数的平方根可以发散的另一种不那么明显的方法。我再次怀疑这是DNNClassifier的问题。
您可能对输入数据有疑问。尝试调用
assert not np.any(np.isnan(x))
输入数据以确保您没有引入nan。还要确保所有目标值均有效。最后，确保数据正确归一化。您可能希望像素在[-1，1]而不是[0，255]范围内。标签必须在损失函数的域中，因此，如果使用基于对数的损失函数，则所有标签都必须是非负的（如evan pu和以下评论所指出）。
