Python 转换暗色t53得到；“南”；结果是Tensorflow 2.0

我正在尝试将Yolo v3转换为tensorflow 2.0 我编写了Darknet53网络层，我能够在测试输入和实际图像上运行它，但在这两种情况下的结果都是“nan”

我已经尝试过上下扩展代码。首先，将图像除以255以在0和1之间缩放，如原始纸张中所示，然后乘以255以检查值是否太低而无法处理。我还尝试了没有缩放的原始图像

这是实际的网络

将tensorflow导入为tf
类ResnetIdentityBlock（tf.keras.Model）：
定义初始化（自身、内核大小、过滤器）：
超级（ResnetIdentityBlock，self）。\uuuuu初始化（name=“”）
过滤器1、过滤器2、过滤器3=过滤器
self.conv2a=tf.keras.layers.Conv2D（过滤器1，（1,1））
self.bn2a=tf.keras.layers.BatchNormalization（）
self.conv2b=tf.keras.layers.Conv2D（过滤器2，内核大小，padding=“相同”）
self.bn2b=tf.keras.layers.BatchNormalization（）
self.conv2c=tf.keras.layers.Conv2D（过滤器3，（1,1））
self.bn2c=tf.keras.layers.BatchNormalization（）
def调用（自、输入张量、训练=假）：
x=self.conv2a（输入张量）
x=自我。bn2a（x，培训=培训）
x=tf.nn.relu（x）
打印（在conv+bna\n{x.shape}之后为“f”）
x=自转换2b（x）
x=自我。bn2b（x，培训=培训）
x=tf.nn.relu（x）
打印（f“在conv+bn b\n{x.shape}之后）
x=自转换2C（x）
x=自我。bn2c（x，培训=培训）
打印（f“在conv+bn c\n{x.shape}之后）
x+=输入张量
打印（f“输入形状\n{input_tensor.shape}”）
打印（f“最终形状\n{x.shape}”）
返回tf.nn.relu（x）
暗色53级区块（tf.keras.Model）：
“深色53的主块，两个conv，后面是一个剩余块”
定义初始化（自，过滤器）：
超级（暗色53Block，self）。\uuuuu初始化（名称=“”）
self.conv2a=tf.keras.layers.Conv2D（过滤器，1）
self.bn2a=tf.keras.layers.BatchNormalization（ε=1e-05）
self.conv2b=tf.keras.layers.Conv2D（过滤器*2,3，padding=“相同”）
self.bn2b=tf.keras.layers.BatchNormalization（ε=1e-05）
def调用（自、输入张量、训练=假）：
x=self.conv2a（输入张量）
x=自我。bn2a（x，培训=培训）
x=tf.nn.leaky_relu（x，0.1）
x=自转换2b（x）
x=自我。bn2b（x，培训=培训）
x=tf.nn.leaky_relu（x，0.1）
x+=输入张量
返回x
黑暗等级53（tf.keras.Model）：
定义初始化（self，*args，**kwargs）：
超级（暗色53，自我）。\uuuuu初始（名称=“”）
self.bn=tf.keras.layers.BatchNormalization（ε=1e-05）
self.conv2a=tf.keras.layers.Conv2D（过滤器=32，内核大小=3）
self.conv2b=tf.keras.layers.Conv2D（过滤器=64，内核大小=3，步幅=2）
self.dn_a=darknet53块（过滤器=32）
self.conv2c=tf.keras.layers.Conv2D（过滤器=128，内核大小=3，步幅=2）
self.dn_b=darknet53块（过滤器=64）
self.conv2d=tf.keras.layers.conv2d（过滤器=256，内核大小=3，步幅=2）
self.dn_c=darknet53块（过滤器=128）
self.conv2e=tf.keras.layers.Conv2D（过滤器=512，内核大小=3，步幅=2）
self.dn_d=darknet53块（过滤器=256）
self.conv2f=tf.keras.layers.Conv2D（过滤器=1024，内核大小=3，步幅=2）
self.dn_e=darknet53块（过滤器=512）
def调用（自、输入张量）：
x=self.conv2a（输入张量）
x=自身.bn（x）
x=tf.nn.leaky_relu（x，alpha=0.1）
x=自转换2b（x）
x=自身.bn（x）
x=tf.nn.leaky_relu（x，alpha=0.1）
x=自身dn_a（x）
x=自转换2C（x）
x=自身.bn（x）
x=tf.nn.leaky_relu（x，alpha=0.1）
对于范围（2）中的i：
x=自身dn_b（x）
x=自。conv2d（x）
x=自身.bn（x）
x=tf.nn.leaky_relu（x，alpha=0.1）
对于范围（8）中的i：
x=自身dn_c（x）
标度_1=x
x=自转换（x）
x=自身.bn（x）
x=tf.nn.leaky_relu（x，alpha=0.1）
对于范围（8）中的i：
x=自身dn_d（x）
刻度盘2=x
x=自转换函数2f（x）
x=自身.bn（x）
x=tf.nn.leaky_relu（x，alpha=0.1）
对于范围（4）中的i：
x=自身dn_e（x）
返回刻度盘1，刻度盘2，x

这是测试代码

如果名称=“\uuuuu main\uuuuuuuu”：
将numpy作为np导入
进口cv2
darknet=Darknet53（）
img=cv2.imread（“20190413_143522_126.jpg”）
img=cv2.resize（img，（416416））/255.0
img=img.重塑（（1416416,3））
img=np.asarray（img，dtype=np.float32）
打印（img）
结果1、结果2、结果3=暗网（img）
打印（结果1）
打印（结果2）
打印（结果3）

---

我希望输出介于0和1之间。结果的大小很好，但它们似乎都填充了“nan”

因为tensorflow 2.1.0rc0很快将作为最终的2.1.0发布，有一个新的API专门设计来帮助用户找出此类数字问题的根本原因，即

tf.调试。启用\u check\u numerics（）

tf.debug.enable\u check\u numerics（）

是TF1中名为

tf.add\u check\u numerics\u ops（）

的旧API的继承者，该API在TF2中不受支持

要在TF2中使用新API，只需在构建和运行模型之前将该行添加到代码中的某个位置。作为一个简单的例子

将tensorflow导入为tf
tf.debug.enable_check_numerics（）#将这一行添加到代码中。
#...
darknet=Darknet53（）
结果1、结果2、结果3=暗网（img）

在执行过程中（即，

darknet（img）

）调用，一旦任何操作（无论是急切地执行还是在tf.function图中执行）在其浮点型张量输出中输出任何无穷大或NaN，程序就会出错。错误