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：

>>> 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