论文中是这样解释
和
错误率的： The former is a multi-class classification error, i.e. the proportion of incorrectly classified images; the latter is the main evaluation criterion used in ILSVRC, and is computed as the proportion of images such that the ground-truth category is outside the top-5 predicted categories.
目录
公式先知
实例理解
结论
公式先知
错误率
（所有测试图片中正确标签不在模型输出的最佳标记中的样本数）
总样本数
准确率
（所有测试图片中正确标签在模型输出的最佳标记中的样本数）
总样本数
错误率
（所有测试图片中正确标签不在模型输出的前
个最佳标记中的样本数）
总样本数
准确率
（所有测试图片中正确标签在模型输出的前
个最佳标记中的样本数）
总样本数
实例理解
下面以一个
分类案例理解
与
：
已知
个类别：
假设测试图像共
张：
- 测试图
：
，人工标签：
- 测试图
：
，人工标签：
- 测试图
：
，人工标签：
测试图全部输入模型：
- 测试图
的前
个最佳标记：
（最佳标记为
）
- 测试图
的前
个最佳标记：
（最佳标记为
）
- 测试图
的前
个最佳标记：
（最佳标记为
）
则：
错误率
准确率
错误率
准确率
结论
和
错误率（或准确率） 是深度学习中评价模型预测错误率的两个指标。
- 一般来说，
和
的错误率越低（或准确率越高），模型的性能也就越好。
- 一般而言，
的错误率在数值上会比
错误率的数值要小，毕竟从
个结果里猜对的几率要比只从
个结果里猜对的几率要大嘛！
