tf.keras.metrics.MeanIoU 与 sigmoid 层答案

【问题标题】：tf.keras.metrics.MeanIoU with sigmoid layertf.keras.metrics.MeanIoU 与 sigmoid 层
【发布时间】：2020-05-16 08:06:42
【问题描述】：

我有一个用于语义分割的网络，我的模型的最后一层应用了 sigmoid 激活，因此所有预测都在 0-1 之间缩放。有这个验证指标 tf.keras.metrics.MeanIoU(num_classes)，它将分类预测（0 或 1）与验证（0 或 1）进行比较。因此，如果我进行预测并应用此指标，它会自动将连续预测映射到阈值 = 0.5 的二进制吗？是否有可能手动定义阈值？

【问题讨论】：

标签： validation binary tf.keras sigmoid keras-metrics

【解决方案1】：

不，tf.keras.metrics.MeanIoU 不会自动将连续预测映射到阈值 = 0.5 的二进制。

它将连续预测转换为二进制，通过将小数点前的二进制数字作为预测，如0.99 为0，0.50 为0，0.01 为0，@987654328 @ 作为1，1.01 作为1 等num_classes=2。 所以基本上如果你的预测值在0 到1 和num_classes=2 之间，那么除非预测是1，否则一切都被认为是0。

以下是证明tensorflow version 2.2.0 中行为合理性的实验：

所有二进制结果：

import tensorflow as tf

m = tf.keras.metrics.MeanIoU(num_classes=2)
_ = m.update_state([0, 0, 1, 1], [0, 0, 1, 1])
m.result().numpy()

输出 -

1.0

将一个预测更改为连续 0.99 - 这里它认为 0.99 为 0。

import tensorflow as tf

m = tf.keras.metrics.MeanIoU(num_classes=2)
_ = m.update_state([0, 0, 1, 1], [0, 0, 1, 0.99])
m.result().numpy()

输出 -

0.5833334

将一个预测更改为连续 0.01 - 这里它认为0.01 为0。

import tensorflow as tf

m = tf.keras.metrics.MeanIoU(num_classes=2)
_ = m.update_state([0, 0, 1, 1], [0, 0.01, 1, 1])
m.result().numpy()

输出 -

1.0

将一个预测更改为连续的 1.99 - 这里它认为 1.99 为 1。

%tensorflow_version 2.x
import tensorflow as tf

m = tf.keras.metrics.MeanIoU(num_classes=2)
_ = m.update_state([0, 0, 1, 1], [0, 0, 1, 1.99])
m.result().numpy()

输出 -

1.0

所以理想的方法是在评估MeanIoU之前定义一个函数将连续转换为二进制。

希望这能回答您的问题。快乐学习。

【讨论】：

@WillemBoone - 希望我们已经回答了您的问题。如果您对答案感到满意，请您接受并投票。

【解决方案2】：

试试这个（记得用tab替换空格）：

def mean_iou(y_true, y_pred):
    th = 0.5
    y_pred_ = tf.to_int32(y_pred > th)
    score, up_opt = tf.metrics.mean_iou(y_true, y_pred_, 2)
    K.get_session().run(tf.local_variables_initializer())
    with tf.control_dependencies([up_opt]):
        score = tf.identity(score)
    return score

【讨论】：