Tensorflow 用于图像分割中训练与推理的骰子分数

我正在使用U-Net模型进行图像分割（多类），并将dice_损失作为我的损失函数进行训练。使用平滑项分别计算每个类的骰子分数，然后取所有类的平均骰子分数来计算损失。下面是我如何计算tensorflow中的骰子损失

def dice_loss(y_true, y_pred, smooth=1e-7):

  # y_true : shape=(BATCH_SIZE, HIEGHT, WIDTH, CHANNELS)
  # y_pred : shape=(BATCH_SIZE, HIEGHT, WIDTH, CHANNELS)    
  
  nom = tf.reduce_sum(y_true*y_pred, axis=(1,2))
  denom = tf.reduce_sum(y_true, axis=(1,2)) + tf.reduce_sum(y_pred, axis=(1,2))

  dice_score = (2 * nom + smooth) / (denom + smooth)

  mean_dice_score = tf.reduce_mean(dice_score, axis=-1)

  return 1 - mean_dice_score

最后，取该批次所有图像的平均值作为损失

现在，在推理过程中，我以类似的方式计算骰子分数，但是每个类的骰子分数是单独报告的，而不是所有类的平均值。下面是如何计算tensorflow中单个类的骰子分数

def compute_dice_score(y_true, y_pred, num_classes, class_idx, smooth=1e-7):

    # y_true : shape=(BATCH_SIZE, HIEGHT, WIDTH, CHANNELS)
    # y_pred : shape=(BATCH_SIZE, HIEGHT, WIDTH, CHANNELS)    

    y_pred = tf.one_hot(tf.argmax(y_pred, axis=3), num_classes)
    
    y_pred = y_pred[..., class_idx]
    y_true = y_true[..., class_idx]
    
    nom = tf.reduce_sum(y_true*y_pred, axis=(1,2))
    denom = tf.reduce_sum(y_true, axis=(1,2)) + tf.reduce_sum(y_pred, axis=(1,2))

    dice_score = (2 * nom + smooth) / (denom + smooth)

    return dice_score

最后计算该批中所有图像的平均骰子分数

在训练过程中，我取单个图像的平均骰子分数，然后对批次进行平均，因为这对我的数据集更有效，而不是同时计算整个批次的所有骰子分数

我的问题在推理过程中

我应该分别计算每个图像的骰子分数，然后 取整批的平均值或计算整批的骰子分数 在一起哪种方法正确

在推断过程中，骰子分数计算中的平滑项是否应该存在