当tensorflow训练时，检测到损失值为nan，怎么暂停训练，代码详细一下

当 TensorFlow 训练时，如果损失值为 NaN（Not a Number），通常表示出现了数值不稳定的情况，可能是因为学习率太高或者网络结构设计不合理等原因导致的。为了避免继续训练可能会导致模型性能下降的情况，可以通过设置回调函数来在检测到 NaN 损失时暂停训练。下面是一个示例代码：

import tensorflow as tf

# 定义回调函数
class NanStoppingCallback(tf.keras.callbacks.Callback):
    def on_epoch_end(self, epoch, logs=None):
        # 检查损失值是否为 NaN
        if logs.get('loss') is not None and logs.get('loss') != logs.get('loss'):
            print("Loss is NaN, stopping training...")
            self.model.stop_training = True

# 构建模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, input_shape=(2,), activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy')

# 准备数据
X = [[0, 0], [0, 1], [1, 0], [1, 1]]
y = [0, 1, 1, 0]

# 训练模型
model.fit(X, y, epochs=100, callbacks=[NanStoppingCallback()])

在这个例子中，我们定义了一个名为 NanStoppingCallback 的回调函数，它会在每个 epoch 结束时检查损失值是否为 NaN，如果是，则停止训练。我们将这个回调函数传递给 `fit()` 方法的 `callbacks` 参数，让它在训练过程中生效。当损失值为 NaN 时，模型会输出 "Loss is NaN, stopping training..."，并停止训练。