Validation tf.keras.metrics.MeanIoU带S形层

我有一个用于语义分割的网络，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。有一个验证度量tf.keras.metrics.MeanIoU（num_类），它将分类预测（0或1）与验证（0或1）进行比较。因此，如果我做一个预测并应用这个度量，它会自动将连续预测映射到阈值为0.5的二进制吗？是否有可能手动定义阈值

试试这个（记住用tab替换空格）：

---

否，

tf.keras.metrics.MeanIoU

不会自动将连续预测映射到阈值为0.5的二进制

它将连续预测转换为二进制，将小数点前的二进制数字作为预测，如

0.99

as

0

，

0.50

as

0

，

0.01

as

0

，

1.99

as

1

，

1.01

as

1

etc当

num_classes=2

时因此，基本上，如果预测值介于

0

到

1

和

num_classes=2

之间，则一切都被视为

0

，除非预测值为

1

以下是验证tensorflow 2.2.0版中行为的实验：

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

1.0

1.0

将一个预测值更改为连续0.99-这里它将

0.99

视为

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()

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-

0.5833334

将一个预测更改为连续0.01-这里它将

0.01

视为

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()

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

1.0

1.0

将一个预测更改为连续1.99-这里它将

1.99

视为

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

1.0

1.0

所以理想的方法是定义一个函数，在计算

MeanIoU

---

希望这能回答你的问题。快乐学习。

@willembone-希望我们已经回答了您的问题。如果你对答案感到满意，请接受并投票。