【636】K.sum 与 np.sum 的区别

　　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：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

>>> 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