tf.metrics.mean_iou输入tf.constant时返回异常值求助

你遇到的问题核心在于 tf.metrics.mean_iou 是带状态的流式指标——它内部会维护一个累加状态（比如各类别的真阳性、假阳性、假阴性计数），用来持续计算累计的平均IOU。

你的代码里每次循环调用 sess.run(miou) 时，其实同时做了两件事：

• 基于当前累计的状态计算出一个mean_iou值
• 执行内部的update_op，把当前批次的标签和预测结果加到累计状态里

所以第一次循环用的是初始状态，得到的是单批次IOU；第二次循环时状态已经累计了第一次的数据，得到的是两次的平均IOU；以此类推，每次循环都会累加状态，自然输出值会不断变化。而你预期的0.061是单批次的IOU结果，和累计后的结果自然不符。

要让每次循环都输出相同的单批次IOU，需要在每次循环前重置指标的内部状态，同时明确拆分指标的更新和取值步骤。修改后的代码如下：

import numpy as np
import tensorflow as tf

""" iou=TP/(TP + FP + FN) """
num_iteration = 10
num_classes = 3

l = np.array([[0, 1, 2, 0], [1, 0, 1, 0], [0, 1, 1, 1], [0, 2, 2, 0]])
tf_label = tf.constant(l, dtype=tf.int32)

p0 = np.array([[0.0, 0.1, 0.7, 0.3], [0.6, 0.3, 0.4, 0.9], [0.3, 0.6, 0.3, 0.1], [0.1, 0.2, 0.3, 0.4]])
p1 = np.array([[0.6, 0.1, 0.1, 0.3], [0.6, 0.3, 0.4, 0.9], [0.3, 0.6, 0.3, 0.1], [0.1, 0.5, 0.5, 0.4]])
p2 = 1 - p0 - p1
p = np.stack((p0, p1, p2), axis=2)

tf_logit = tf.constant(p, dtype=tf.float32)
tf_prediction = tf.argmax(tf_logit, axis=2)

# 拆分mean_iou的取值操作和状态更新操作
mean_iou, update_op = tf.metrics.mean_iou(labels=tf_label, predictions=tf_prediction, num_classes=num_classes)
# 获取mean_iou相关的所有局部状态变量
metric_vars = tf.get_collection(tf.GraphKeys.LOCAL_VARIABLES, scope="mean_iou")
# 定义重置状态的操作
reset_metric = tf.variables_initializer(metric_vars)

sv = tf.train.Supervisor(logdir=None, summary_op=None)
with sv.managed_session() as sess:
    for i in range(num_iteration):
        # 每次循环前重置指标状态，回到初始值
        sess.run(reset_metric)
        # 先更新当前批次的状态
        sess.run(update_op)
        # 再获取当前批次的mean_iou结果
        current_miou = sess.run(mean_iou)
        print(f"第{i+1}次循环: {current_miou:.3f}")

1. 拆分操作：把tf.metrics.mean_iou返回的结果拆成mean_iou（取值操作）和update_op（状态更新操作），明确两者的职责。
2. 重置状态：通过tf.get_collection拿到指标的状态变量，定义重置操作，确保每次循环都从零开始计算当前批次的IOU。
3. 先更新再取值：先执行update_op把当前批次的标签和预测计入状态，再获取mean_iou，这样得到的就是单批次的IOU结果。

运行这段代码后，每次循环都会输出你预期的0.061。

内容的提问来源于stack exchange，提问作者Troy