如何正确使用Tensorflow中的tf.metrics.mean_iou在Tensorboard上显示混淆矩阵？

我在DeeplabV3+的Tensorflow官方实现中发现评估脚本使用tf.metrics.mean_iou更新平均iou，并将其添加到Tensorboard中记录

实际上，tf.metrics.mean_iou返回2个张量，一个是计算平均iou，另一个是操作日期，根据官方文件，是混淆矩阵。似乎每次如果你想得到计算过的平均借条，你必须先调用更新操作

我试图将此更新作为张量添加到摘要中，但它不起作用。我的问题是如何将这个混淆矩阵添加到张力板中

我看到了一些关于如何计算混淆矩阵并将其添加到Tensorboard的其他线程，以及额外的操作。我只是想知道，如果没有这些额外的操作，是否可以做到这一点

---

任何帮助都将不胜感激。

我将在这里发布我的答案，因为有人对此进行了投票

假设您以以下方式定义了mean_iou op：

miou，update_op=tf.metrics.mean_iou 预测、标签、dataset.num\u（共类），权重=权重 tf.summary.scalarpredictions_标记，miou 如果您在Tensorboard中看到图形，您将发现有一个名为“mean_iou”的节点，扩展此节点后，您将发现有一个名为“total_confucion_matrix”的op。这是计算每个类的查全率和查准率所需要的

获取节点名称后，可以通过tf.summary.text将其添加到tensorboard中，或通过tf.print函数在终端中打印。下面是一个例子：

    miou, update_op = tf.metrics.mean_iou(
        predictions, labels, dataset.num_of_classes, weights=weights)
    tf.summary.scalar(predictions_tag, miou)
    # Get the correct tensor name of confusion matrix, different graphs may vary
    confusion_matrix = tf.get_default_graph().get_tensor_by_name('mean_iou/total_confusion_matrix:0')

    # Calculate precision and recall matrix
    precision = confusion_matrix / tf.reshape(tf.reduce_sum(confusion_matrix, 1), [-1, 1])
    recall = confusion_matrix / tf.reshape(tf.reduce_sum(confusion_matrix, 0), [-1, 1])

    # Print precision, recall and miou in terminal
    precision_op = tf.print("Precision:\n", precision,
                         output_stream=sys.stdout)
    recall_op = tf.print("Recall:\n", recall,
                         output_stream=sys.stdout)
    miou_op = tf.print("Miou:\n", miou,
                         output_stream=sys.stdout)

    # Add precision and recall matrix in Tensorboard
    tf.summary.text('recall_matrix', tf.dtypes.as_string(recall, precision=4))
    tf.summary.text('precision_matrix', tf.dtypes.as_string(precision, precision=4))

    # Create summary hooks
    summary_op = tf.summary.merge_all()
    summary_hook = tf.contrib.training.SummaryAtEndHook(
        log_dir=FLAGS.eval_logdir, summary_op=summary_op)
    precision_op_hook = tf.train.FinalOpsHook(precision_op)
    recall_op_hook = tf.train.FinalOpsHook(recall_op)
    miou_op_hook = tf.train.FinalOpsHook(miou_op)
    hooks = [summary_hook, precision_op_hook, recall_op_hook, miou_op_hook]

    num_eval_iters = None
    if FLAGS.max_number_of_evaluations > 0:
      num_eval_iters = FLAGS.max_number_of_evaluations

    if FLAGS.quantize_delay_step >= 0:
      tf.contrib.quantize.create_eval_graph()

    tf.contrib.training.evaluate_repeatedly(
        master=FLAGS.master,
        checkpoint_dir=FLAGS.checkpoint_dir,
        eval_ops=[update_op],
        max_number_of_evaluations=num_eval_iters,
        hooks=hooks,
        eval_interval_secs=FLAGS.eval_interval_secs)

然后，您将在Tensorboard中总结精度和召回矩阵：