在安全编程中，及时发现浮点Inf和NaN值的生成非常重要，尤其是当这些值只在计算过程中出现并在输出中丢失时。在浮点计算中，NaN值会通过计算传播，而Inf值会通过计算传播或变为NaN。因此，我们需要了解浮点计算中Inf和NaN值的来源。本文展示了浮点计算中一些Inf和NaN值的来源，并给出了相应的代码和结果。

该文介绍了一种基于物理驱动的深度学习框架，用于单目深度估计。该框架假设3D场景由分段平面组成，提出了一种新的正常-距离头来推导每个位置的深度，并引入了额外的深度头来改善框架的鲁棒性。实验证明该方法在多个数据集上超过了现有的最先进竞争方法，并在KITTI深度预测在线基准测试中排名第一。

现象 使用TensorFlow进行训练（model.fit）时，一切正常，并且对测试数据集的预测结果（model.evaluate）也表现正常，这时候保存模型 对训练集中单独一条数据，或者少量数据进行预测，预测结果出现NaN 如果对稍大量数据预测，则能正常出结果，但预测结果准确度低于预期 如果对大量数据预测，则结果准确度符合预期

PromQL 处理 NaN 数据 输出结果异常

其实是个存在很久的问题啦，之前在 IE 的年代应该也是有遇到过的，只不过后来日常涉及到时间的需求都是用时间戳比较多，加上现在各种屏蔽 IE 访问（我们公司的项目都是引导使用...