这里有一个很好的问题，关于如何在TensorFlow图中找到NaN值的首次出现：
答案非常有帮助，以下是其中的代码：
train_op = ...check_op = tf.add_check_numerics_ops()sess = tf.Session()sess.run([train_op, check_op]) # 运行训练并检查NaN值显然，同时运行训练和数值检查会在第一次遇到NaN值时立即报告错误。
我如何将其集成到Keras中？在文档中，我找不到任何类似的东西。
我还检查了代码。更新步骤在这里执行：https://github.com/fchollet/keras/blob/master/keras/engine/training.py
有一个名为_make_train_function的函数，其中创建了一个计算损失和应用更新的操作。后来这个操作被调用来训练网络。
我可以这样更改代码（假设我们使用的是tf后端）：
check_op = tf.add_check_numerics_ops()self.train_function = K.function(inputs, [self.total_loss] + self.metrics_tensors + [check_op], updates=updates, name='train_function', **self._function_kwargs)我目前正在尝试正确设置这个，并且不确定上面的代码是否实际有效。可能有更简单的方法吗？
回答：
我遇到了同样的问题，并且找到了check_add_numerics_ops()函数的替代方法。与其走这条路，我使用TensorFlow调试器来遍历我的模型，按照https://www.tensorflow.org/guide/debugger中的示例来找出我的代码产生nan值的确切位置。这个代码片段应该可以用来替换Keras使用的TensorFlow会话为调试会话，让你可以使用tfdbg。
from tensorflow.python import debug as tf_debugsess = K.get_session()sess = tf_debug.LocalCLIDebugWrapperSession(sess)K.set_session(sess)