2020年3月12日学习笔记

个人学习笔记，可能存在错误，仅供参考，部分内容来自网上，侵删

任务内容

1. 读懂 evalute.py和demo.py
2. 尝试界面编程

---

python学习

torch.squeeze()和torch.unsqueeze()用法

torch.squeeze() 这个函数主要对数据的维度进行压缩，去掉维数为1的的维度，默认是将a中所有为1的维度删掉。也可以通过dim指定位置，删掉指定位置的维数为1的维度。

torch.unsqueeze()这个函数主要是对数据维度进行扩充。需要通过dim指定位置，给指定位置加上维数为1的维度。

np.argsort()

将numpy数组中元素从小到大排列并输出索引

a=np.array([3,2,-1,7,6])
print(np.argsort(a))
>>[2 1 0 4 3]

index[::-1]是逆序切片

np.setdiff1d

setdiff1d(ar1, ar2, assume_unique=False)

1.功能：找到2个数组中集合元素的差异。
2.返回值：在ar1中但不在ar2中的已排序的唯一值。

3.参数：
ar1：array_like 输入数组。
ar2：array_like 输入比较数组。
assume_unique：bool。如果为True，则假定输入数组是唯一的，即可以加快计算速度。 默认值为False

• assume_unique = False的情况：

    a = np.array([8,2,3,2,4,1])
    b = np.array([7,4,5,6,3])
    c = np.setdiff1d(a, b)
    print(c)#[1 2 8]

• assume_unique = True的情况：

    a = np.array([8,2,3,2,4,1])
    b = np.array([7,4,5,6,3])
    c = np.setdiff1d(a, b,True)
    print(c)#[8 2 2 1]

np.intersect1d计算交集，和setdiff1d参数类似，后者实际是求差集

---

ReID评估标准

来源：CSDN
在此之前，看一下对行人重识别的解释

在毕设代码evaluate_gpu.py中，计算的思路如下：
遍历每个query，对于每个query，找到gallery中跟当前query属于同一个ID但是是不同camera下的图片，这些图片被认为是good_image，其他的图片就是junk_image，然后对所有gallery与当前query的距离做个升序排序，接着就对当前query计算AP，cmc(rank)

1. rank-n

搜索结果中最靠前（置信度最高）的n张图有正确结果的概率。

例如： lable为 m1，在100个样本中搜索。    

如果识别结果是 m1、m2、m3、m4、m5……，则此时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……，则此时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%

2.Precision & Recall

参考：CSDN-1,简书

TP : True Positive 预测为1，实际也为1
TN：True Nagetive 预测为0，实际也为0
FP：False Positive 预测为1，实际为0的
FN：False Nagetive 预测为0，实际为1的

预测\实际	正	负
正	TP	FP
负	FN	TN

Accuracy：准确率
预测正确的数量
$$\frac{TP+TN}{TP+TN+FP+FN}$$
Precision：精确率
它表示的是预测为正的样本(TP,FP)中有多少是真正的正样本
$$\frac{TP}{TP+FP}$$
Recall：召回率
表示样本中的正例(TP,FN)有多少被预测正确了
$$\frac{TP}{TP+FN}$$
F-score，也叫F₁值
是精确率和召回率的调和均值
$$F_1=\frac{2\ast P\ast R}{P+R}$$
同样地：
$$F_1=\frac{2TP}{2TP+FP+FN}$$

3、mAP

AP(平均Precision，即平均精度)衡量的是学出来的模型在单个类别上的好坏。mAP衡量的是学出的模型在所有类别上的好坏，也即PR曲线线下的面积（PR曲线: 所有样本的precision和recall绘制在图里）表示

4、CMC

CMC曲线是算一种top-k的击中概率，主要用来评估闭集中rank的正确率
例如待识别人脸有3个（假如label为m1，m2，m3），同样对每一个人脸都有一个从高到低的得分。

比如人脸1结果为m1、m2、m3、m4、m5……，人脸2结果为m2、m1、m3、m4、m5……，人脸3结果m3、m1、m2、m4、m5……，则此时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%；

比如人脸1结果为m4、m2、m3、m5、m6……，人脸2结果为m1、m2、m3、m4、m5……，人脸3结果m3、m1、m2、m4、m5……，则此时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%；
PS：和rank好像，我在此时间点还未搞清楚

5、ROC

ROC曲线是检测、分类、识别任务中很常用的一项评价指标
ROC曲线上的每一点反映的是不同的阈值对应的FP（false positive）和TP（true positive）之间的关系

通常情况下，ROC曲线越靠近（0，1）坐标表示性能越好。
TPR=TP/(TP+FN)=Recall
FPR=FP/(FP+TN)，预测为好人，实际是坏人的占所有坏人的比例

6、PR曲线

参考：
PR曲线深入理解
机器学习PRC
PR曲线就是精确率precision vs 召回率recall 曲线，以recall作为横坐标轴，precision作为纵坐标轴。