混淆矩阵计算Accuracy，IoU，dice等评价指标出现nan值

出现nan值时，一定要关注数据、数据、数据！！！（重要的事说三遍！）
首先，代码如下：

问题如下：

提示long_scalars中出现无效值，acc、iou、dice值为nan，原因可能是因为分母出现了0（通过调试确实是因为分母出现了0）
调试：
首先查看一下img和label的形式：

...导入数据集，模型...
net=UNet()
img,label=next(iter(train_dl))#读取img和label

如下：

然后，测试一下输出形式（pred、pred_、pred_0)

pred=net(img)#输入网络得到预测结果
pred_=(pred>=0.5).float()#预测值≥0.5的置为1，否则置为0
pred_0 = np.array(pred_.numpy())#转换numpy格式
label = np.array(label.numpy())

结果如下：

测试混淆矩阵和评估指标：

#计算混淆矩阵
tp=np.sum(np.logical_and(pred_0==1,label==1))
tn=np.sum(np.logical_and(pred_0==0,label==0))
fp=np.sum(np.logical_and(pred_0==1,label==0))
fn=np.sum(np.logical_and(pred_0==0,label==1))
#计算acc,iou,dice
acc=(tp+tn)/(tp+tn+fp+fn)
iou=tp/(tp+fn+fp)
dice=2*tp/(2*tp+fp+fn)

调试结果，发现混淆矩阵为零，如下：

混淆矩阵为零，自然计算的评价指标为nan值。那么为什么会出现混淆矩阵为零呢？原因在于我们计算混淆矩阵的方式时通过np.logical_and(pred_01,label1)，仔细观察不难发现，该计算公式是通过计算pred值和label值的0和1值的差异数量，然而，我们的label值在最开始的图片中可以看见并不是非0即1。到这里，就知道了，出现这个nan值的问题在于数据。那么为什么label会是那样的形式？原因在于我使用了transforms.Normalize()对数据进行归一化，对img归一化的同时，我也对label归一化了，所以label值并非最开始的非0即1（1表示前景，0表示背景）。

解决方法：

取消transforms.Normalize()，单独对img进行归一化。
归一化代码：参考链接：https://blog.csdn.net/weixin_42214565/article/details/102381380

def data_in_one(inputdata):
    min = np.nanmin(inputdata)
    max = np.nanmax(inputdata)
    outputdata = (inputdata-min)/(max-min)
    return outputdata

运行结果如下：

搞定！！