训练神经网络中的基本概念之训练结果图分析---Top mAP rank Precision等
一、Top-1 Top-5
ImageNet 图像分类大赛评价标准采用 top-5 错误率，或者top-1错误率，即对一张图像预测5个类别，只要有一个和人工标注类别相同就算对，否则算错。
top1-----就是你预测的label取最后概率向量里面最大的那一个作为预测结果，如过你的预测结果中概率最大的那个分类正确，则预测正确。否则预测错误
top5-----就是最后概率向量最大的前五名中，只要出现了正确概率即为预测正确。否则预测错误
Top-1 = （正确标记 与 模型输出的最佳标记不同的样本数）/ 总样本数
Top-5 = （正确标记 不在 模型输出的前5个最佳标记中的样本数）/ 总样本数
二、matlab 训练结果图
error：为一个batch里所有样本的loss
sample : 一次迭代的样本数目
三、MAP rank recall F-score CMC
mAP和rank1 是衡量算法搜索能力的指标，mAP的全称是mean average precision
rank1 是搜索结果中最靠前的一张图是正确结果的概率，一般通过实验多次来取平均值
rank-k：算法返回的排序列表中，前k位为存在检索目标则称为rank-k命中
Precision：= 提取出的正确信息条数 / 提取出的信息条数
Recall： = 提取出的正确信息条数 / 样本中的信息条数
故，Precision高，Recall就低，Recall高，Precision就低。一般在保证召回率的条件下，尽量提升精确率
F-score：
，F-score是综合考虑Precision和Recall的调和值
mAP：以recall为横坐标，precision为纵坐标，绘制PR曲线，曲线下方面积即为AP，当需要检索的不止一个人时，此时取所有人的平均mAP
Cumulative Match Characteristic (CMC) curve: 计算rank-k的击中率，形成rank-acc的曲线，如下图:
四、例题
目标是识别 lable为m1，在100个样本中搜索
如果识别结果是m1、m2、m3、m4、m5……
则rank-1的正确率为100%；rank-2的正确率也为100%；rank-5的正确率也为100%
如果识别结果是m2、m1、m3、m4、m5……
则rank-1的正确率为0%；rank-2的正确率为100%；rank-5的正确率也为100%
如果识别结果是m2、m3、m4、m5、m1……
则此时rank-1的正确率为0%；rank-2的正确率为0%；rank-5的正确率为100%
待识别的有3个，1号（m1）、2号（m2） 、3号（m3），目的是识别 label为m1，m2，m3，在100个样本中搜索
如果1号识别结果是m1、m2、m3、m4、m5……
如果2号识别结果是m2、m1、m3、m4、m5……
如果3号识别结果是m3、m1、m2、m4、m5……
则rank-1的正确率为（1+1+1）/3=100%；rank-2的正确率也为（1+1+1）/3=100%；rank-5的正确率也为（1+1+1）/3=100%
rank-1 = (1号第一个位置的识别结果是否为m1，2号第一个位置的识别结果是否为m2....) / 待识别的label个数 = (有，有，有) / 3 = (1+1+1) / 3
如果1号识别结果是m4、m2、m3、m5、m6……
如果2号识别结果是m1、m2、m3、m4、m5……
如果3号识别结果是m3、m1、m2、m4、m5……
则rank-1的正确率为（0+0+1）/3=33.33%；rank-2的正确率为（0+1+1）/3=66.66%；rank-5的正确率也为（0+1+1）/3=66.66%
rank-2= (1号前2个位置的识别结果是否有m1，2号结果的前2个位置是否有m2....) / 待识别的label个数 = (没有，有，有) / 3 =（0 + 1 + 1）/ 3
