深度学习指标precision，recall，f1不正常

深度学习指标precision，recall，f1不正常

目前研究方向是做道路分割，做精度评价使用的指标是iou，precision，recall，f1。做测试发现precision，recall，f1总是特别低，百思不得其解。最后只能查看每张测试图像的计算结果。
发现有很多图像iou为1，但是precision，recall，f1都为0，终于恍然大悟，原来有很多图像上是一个道路像素都没有的，求precision，recall，f1指标时我只在分母上加了平滑项。
于是，求指标的代码修改成这样，问题解决：

# 定义一个平滑项，用于防止分母为零
smooth = 1e-6
def precision_score_batch(true: np.ndarray, pred: np.ndarray):
    # 获取batch的大小
    b = pred.shape[0]
    # 将预测值和真实值展平成一维向量
    pred = pred.reshape(b, -1)
    true = true.reshape(b, -1)
    pre = (np.sum(true * pred, axis=1) + smooth) / (np.sum(pred, axis=1) + smooth)
    return pre

def recall_score_batch(true: np.ndarray, pred: np.ndarray):
    # 获取batch的大小
    b = pred.shape[0]
    # 将预测值和真实值展平成一维向量
    pred = pred.reshape(b, -1)
    true = true.reshape(b, -1)
    rec = (np.sum(true * pred, axis=1) + smooth) / (np.sum(true, axis=1) + smooth)
    return rec

def f1_score_batch(true: np.ndarray, pred: np.ndarray):
    # 获取batch的大小
    b = pred.shape[0]
    # 将预测值和真实值展平成一维向量
    pred = pred.reshape(b, -1)
    true = true.reshape(b, -1)
    pre = (np.sum(true * pred, axis=1) + smooth) / (np.sum(pred, axis=1) + smooth)
    rec = (np.sum(true * pred, axis=1) + smooth) / (np.sum(true, axis=1) + smooth)
    f1 = (2 * pre * rec + smooth) / (pre + rec + smooth)
    return f1