怎么解決？ValueError: cannot convert float NaN to integer

# -*- coding: utf-8 -*-

import numpy as np

import random

import argparse

import os

#引數名稱

parser = argparse.ArgumentParser(description='使用該腳本生成YOLO-V3的anchor boxes\n')

parser.add_argument('--input_annotation_txt_dir',required=True,type=str,help='檔案')

parser.add_argument('--output_anchors_txt',required=True,type=str,help='檔案')

parser.add_argument('--input_num_anchors',required=True,default=6,type=int,help='anchor個數')

parser.add_argument('--input_cfg_width',required=True,type=int,help="寬")

parser.add_argument('--input_cfg_height',required=True,type=int,help="高")

args = parser.parse_args()

'''

centroids 聚類點 尺寸是 numx2,型別是ndarray

annotation_array 其中之一的標注框

'''

def IOU(annotation_array,centroids):

    #

    similarities = []

    #其中一個標注框

    w,h = annotation_array

    for centroid in centroids:

        c_w,c_h = centroid

        if c_w >=w and c_h >= h:#第1中情況

            similarity = w*h/(c_w*c_h)

        elif c_w >= w and c_h <= h:#第2中情況

            similarity = w*c_h/(w*h + (c_w - w)*c_h)

        elif c_w <= w and c_h >= h:#第3種情況

            similarity = c_w*h/(w*h +(c_h - h)*c_w)

        else:#第3種情況

            similarity = (c_w*c_h)/(w*h)

        similarities.append(similarity)

    #將串列轉換為ndarray

    return np.array(similarities,np.float32) #回傳的是一維陣列，尺寸為(num,)

 

'''

k_means:k均值聚類

annotations_array 所有的標注框的寬高，N個標注框，尺寸是Nx2,型別是ndarray

centroids 聚類點 尺寸是 numx2,型別是ndarray

'''

def k_means(annotations_array,centroids,eps=0.00005,iterations=2):

    #

    N = annotations_array.shape[0]#C=2

    num = centroids.shape[0]

    #損失函式

    distance_sum_pre = -1

    assignments_pre = -1*np.ones(N,dtype=np.int64)

    #

    iteration = 0

    #回圈處理

    while(True):

        #

        iteration += 1

        #

        distances = []

        #回圈計算每一個標注框與所有的聚類點的距離（IOU）

        for i in range(N):

            distance = 1 - IOU(annotations_array[i],centroids)

            distances.append(distance)

        #串列轉換成ndarray

        distances_array = np.array(distances,np.float32)#該ndarray的尺寸為 Nxnum

        #找出每一個標注框到當前聚類點最近的點

        assignments = np.argmin(distances_array,axis=1)#計算每一行的最小值的位置索引

        #計算距離的總和，相當于k均值聚類的損失函式

        distances_sum = np.sum(distances_array)

        #計算新的聚類點

        centroid_sums = np.zeros(centroids.shape,np.float32)

        for i in range(N):

            centroid_sums[assignments[i]] += annotations_array[i]#計算屬于每一聚類類別的和

        for j in range(num):

            centroids[j] = centroid_sums[j]/(np.sum(assignments==j))

        #前后兩次的距離變化

        diff = abs(distances_sum-distance_sum_pre)

        #列印結果

        print("iteration: {},distance: {}, diff: {}, avg_IOU: {}\n".format(iteration,distances_sum,diff,np.sum(1-distances_array)/(N*num)))

        #三種情況跳出while回圈：1：回圈20000次，2：eps計算平均的距離很小 3：以上的情況

        if (assignments==assignments_pre).all():

            print("按照前后兩次的得到的聚類結果是否相同結束回圈\n")

            break

        if diff < eps:

            print("按照eps結束回圈\n")

            break

        if iteration > iterations:

            print("按照迭代次數結束回圈\n")

            break

        #記錄上一次迭代

        distance_sum_pre = distances_sum

        assignments_pre = assignments.copy()

if __name__=='__main__':

    #聚類點的個數，anchor boxes的個數

    num_clusters = args.input_num_anchors

    #索引出檔案夾中的每一個標注檔案的名字(.txt)

    names = os.listdir(args.input_annotation_txt_dir)

    #標注的框的寬和高

    annotations_w_h = []

    for name in names:

        txt_path = os.path.join(args.input_annotation_txt_dir,name)

        #讀取txt檔案中的每一行

        f = open(txt_path,'r')

        for line in f.readlines():

            line = line.rstrip('\n')

            w,h = line.split(' ')[3:]#這時讀到的w,h是字串型別

            #eval()函式用來將字串轉換為數值型

            annotations_w_h.append((eval(w),eval(h)))

        f.close()

        #將串列annotations_w_h轉換為numpy中的array,尺寸是(N,2),N代表多少框

        annotations_array = np.array(annotations_w_h,dtype=np.float32)

    N = annotations_array.shape[0]

    #對于k-means聚類，隨機初始化聚類點

    random_indices = [random.randrange(N) for i in range(num_clusters)]#產生亂數

    centroids = annotations_array[random_indices]

    #k-means聚類

    k_means(annotations_array,centroids,0.00005,2)

    #對centroids按照寬排序，并寫入檔案

    widths = centroids[:,0]

    sorted_indices = np.argsort(widths)

    anchors = centroids[sorted_indices]

    #將anchor寫入檔案并保存

    f_anchors = open(args.output_anchors_txt,'w')

    #

    for anchor in  anchors:

        f_anchors.write('%d,%d'%(int(anchor[0]*args.input_cfg_width),int(anchor[1]*args.input_cfg_height)))

        

        f_anchors.write('\n')

標籤：腳本語言(Perl/Python)

上一篇：資訊安全實踐一之密碼與隱藏技術1【凱撒密碼&仿射密碼】

下一篇：python pandas to_excle在現有sheet中追加資料時，運行結果為什么是在新增sheet中追加的