使用Unet单通道二分类分割时，Dice Loss输入应为概率还是阈值化结果？

核心结论 #

训练阶段必须传入sigmoid激活后的概率值，绝对不能用阈值转换后的0/1二值结果——你之前的做法是完全正确的。

原因拆解 #

• 二值化是硬阈值操作，除了刚好等于阈值的点，其余位置的梯度都是0。用二值结果计算Dice Loss的话，反向传播时模型参数根本得不到有效更新，训练直接卡壳甚至崩溃。
• Dice Loss的公式本质是基于样本的概率分布计算相似度，保留连续的概率值能提供更丰富的梯度信息，让模型优化过程更平滑，更容易收敛到最优解。

补充实践细节 #

• 只有在推理阶段生成最终分割结果时，才需要用阈值（比如0.5）把概率图转换成0/1的二值分割图，这一步和损失计算完全无关。
• 实际任务中很多人会把Dice Loss和二元交叉熵（BCE）损失结合使用，既能利用Dice Loss对不平衡数据的鲁棒性，又能借助BCE的梯度特性让模型训练更稳定。
• 注意模型最后一层一定要用sigmoid激活输出连续概率，别用硬分类的激活函数。

内容的提问来源于stack exchange，提问作者abdelmadjid tahar