当训练模型使用Adanet时，有时会发生模型发散（divergence）的情况，即损失值变为NaN。这可能是由于学习率过高或模型设计不当等原因引起的。以下是一些可能的解决方法：

1. 减小学习率：尝试减小学习率，可以通过AdanetConfig的learning_rate参数来调整。例如，将learning_rate设置为0.001。

adanet_config = adanet.tf.config.AdaNetConfig(learning_rate=0.001)

2. 检查模型设计：确保模型的设计正确，并且各层的输入输出大小匹配。可能需要仔细检查模型的架构和参数设置。

3. 使用正则化：如果模型过拟合导致发散，可以尝试添加正则化项，如L1或L2正则化，以减少模型的复杂度。可以通过AdanetConfig的regularizer参数来添加正则化项。

adanet_config = adanet.tf.config.AdaNetConfig(regularizer=tf.keras.regularizers.l2(0.01))

4. 增加训练数据量：如果训练数据量太小，模型可能会发散。尝试增加训练数据量，以获取更多样本来训练模型。

5. 检查输入数据：确保输入数据的质量和范围正确，避免出现异常值或不一致的数据。

6. 尝试其他优化算法：Adanet使用AdaGrad算法作为默认的优化算法，但有时可能不适合某些问题。尝试使用其他优化算法，如Adam或Momentum，可能有助于解决模型发散的问题。可以通过AdanetConfig的optimizer参数来指定其他优化算法。

adanet_config = adanet.tf.config.AdaNetConfig(optimizer='adam')

根据具体情况，您可以尝试上述解决方法中的一种或多种来解决Adanet中模型发散的问题。