首先整体架构使用的是torchvision0.3版本自带的模块。所以找问题都是从自己写的代码开始。
自己架构是否有问题：
固定一下optimizer = torch.optim.SGD(model.parameters(), lr = lr, momentum=0.9, weight_decay=1e-2)
1：图像处理
：
根据官方给的手册归一化到了[0, 1]之间应该没问题，
2：
标签问题
：
target对应的标签信息确实对应的是bottle –>39，这也不是造成nan 的原因，通过测试程序发现不是
3：对于一张图片只有一个目标框的情况，发现IOU>0.7的目标框只有几个，剩下的基本上是由负文本框填充凑足256个，然后做回归loss，然而，这些也不是造成loss = nan 的原因， 因为当正样本达到一半的时候其实这时候对应的loss也会得到nan
4：数据问题：
5：不用shuffle
单个分析，看看是否是数据问题,看看是第几个出现的nan，如果把这个调换到第一个loss还会为loss吗
出来的第一个是loss = nan的结果是0000050.jpg，将0000050.jpg作为图片输出发现一开始就得到了nan 发现了一部分问题了，跟踪发现其实在target对应回回归值出现的nan，回归值中其实中心坐标点也不会出现nan的情况，出现nan的情况是对应的w，h对应的比例系数，这种是最容易出现问题的，最终找到问题，标注信息给错了，有的对应的xmin > xmax, ymin > ymax。
关键点：为什么只有 loss_rpn_box_reg = nan 而其他的都没有问题？
针对这个问题做出具体应对措施：
1：查看faster rcnn论文，仔细查看rpn loss 管理的是哪一块。
2：百度查出为什么会出现回归损失出现nan
3：