标签:300 sum 数据类型 uint8 536 计算 np
在计算 语义分割 结果的 metrics 的时候,会通过 K.sum 来计算 TP、FN、FP 的值,从而来计算 Precision、Recall、F1 以及 IOU 的值,不过在计算的过程中,这几个值会出现大于 1 的情况,实际上是计算中出现错误,主要原因就是 K.sum 计算中的一些问题。由于标签数据以图像数据读取,pred 和 true 默认为 'uint8' 类型,对于 K.sum 在计算中会自动调整为这个范围的值,因此永远不会超过255,所以导致结算错误,而 np.sum 则可以直接计算,因此如果用 K.sum,需要提前转换数据类型。
举例:
>>> a = np.arange(25).reshape((5,5)) >>> a array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14], [15, 16, 17, 18, 19], [20, 21, 22, 23, 24]]) # 对于默认的数据类型,这两个没有区别 >>> K.sum(a) <tf.Tensor: shape=(), dtype=int64, numpy=300> >>> np.sum(a) 300 # 将数据类型修改,会导致计算结果不同 >>> a = a.astype('uint8') >>> K.sum(a) <tf.Tensor: shape=(), dtype=uint8, numpy=44> >>> np.sum(a) 300
标签:300,sum,数据类型,uint8,536,计算,np 来源: https://www.cnblogs.com/alex-bn-lee/p/15111431.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。