发多单模型训练过程。产生多只模型训练过程。

机翻译评价方法。
BLEU(bilingual evaluation
understudy)方法,2002年,IBM沃森研究中心提出。机器翻译语句与人类专业翻译语句越接近越好。下人工评价高度相关。正确句子作参考译文(reference)、正确句子(golden
sentence),测试句子作候选译文(candidate)。适用测试语料具有多单参考译文。比较参考译文与候选译文相同片段数量,参考译文连续出现N元组(N个单词或字)与候选译文N元组比较,n单位有的(n-gram)比较。计算了配合N元组个数和参考译文N元组总个数比例。与岗位无关。匹配片段数越多,候选译文质量越来越好。
METEOR,不仅要求候选译文在方方面面句子上,在句子分段级别达到,都如同参考译文更接近。https://en.wikipedia.org/wiki/METEOR\#Algorithm
。在急需评字符串与参考文符串间创造平面图。待评翻每个一元组必须映射到参考翻译1个或0个一元组。选择映射交叉数据较少的。

上学笔记TF067:TensorFlow Serving、Flod、计算加速,机器上评测系统,公开数据集,tf067tensorflow

TensorFlow Serving https://tensorflow.github.io/serving/ 。

生环境灵活、高性能机器上型服务体系。适合因实际多少大运行,产生多只模型训练过程。可用于支付环境、生产条件。

型生命周期管理。模型先数据训练,逐步来初步模型,优化模型。模型多重算法试验,生成模型管理。客户端(Client)向TensorFlow
Severing请求模型,TensorFlow Severing返回适当模型给客户端。TensorFlow
Serving、gRPC(谷歌公司初步源高性能、跨语言RPC框架),提供跨语言RPC接口,不同编程语言都可以拜模型。

TensorFlow Serving代码 https://hithub.com/tensorflow/serving
。源代码Bazel编译安装
https://github.com/tensorflow/serving/blob/master/tensorflow\_serving/g3doc/setup.md
,Docker安装。https://www.tensorflow.org/serving/setup 。结合TensorFlow
Serving,训练好模型,创建Docker镜像,推送至Google Container Registry
https://cloud.google.com/container-registry/docs/
。模型在谷歌云平台(Google Cloud
Platform)运行。Kubernetes成功安排模型服务。Serving Inception Model with
TensorFlow Serving and Kubernetes
https://tensorflow.github.ic/serving/serving\_inception 。Google ML
Engine,全托管TensorFlow平台,训练模型一键转换预测服务。

TensorFlow Flod https://github.com/tensorflow/fold ,《Deep Learning
with Dynamic Computation Graphs》https://openreview.net/pdf?id=ryrGawqex
。深度上过程,模型训练多少预处理,不同结构数据剪裁成相同维度、尺寸,划分成批,进入训练流程。静态图模型,缺点,输入数据无法一般先处理,模型针对不同输入数据建立不同计算图(computation
graph)分别训练,没有充分利用处理器、内存、高速缓存。
TensorFlow
Fold(现在还来了Eager模式,可以对比上),根据不同结构输入数据建立动态计算图(dynamic
computation),根据每个不同输入数据建立不同计算图。动态批处理(dynamic
batching)自动组合计算图,实现输入数据中批处理,批处理单个输入图内不同节点,不同输入数据里面批处理,批处理不同输入图间运算。可插入附加指令在不同批处理操作间移动数据。简化模型训练等输入数据预处理过程。CPU模型运行速度增长10倍增以上,GPU提高100加倍。

TensorFlow计算加速。GPU设备,XLA
框架融合OP,分布式计算、参数有分布及不同机器,硬件计算,CPU更尖端命令集SSE、AVX,FPGA编写支持TensorFlow计算单元。
CPU加速。pip命令安装,与重常见机器兼容,TensorFlow默认仅以x86机器使用SSE4.1
SIMD指令。源代码安装可获取无限酷性,开启CPU高级指令集支持。bazel
构建只能以温馨机器运行二进制文件。

bazel build -c opt –copt=-mavx –copt=-mavx2 –copt=-mfma
–copt=-mfpmath=both –copt=-msse4.2 –copt=-cuda -k
//tensorflow/tools/pip_package:build_pip_package
bazel-bin/tensorflow/tools/pip_package/build_pip_package
/tmp/tensorflow_pkg

在/tmp/tensorflow_pkg产生whell文件,再就此pip命令安装wheel文件。

TPU 加速、FPGA加速。
谷歌TensorFlow设计专用集成芯片-张量处理单元(Tensor Processing
Unit,TPU)。CPU逻辑运算(if
else)能力很强,计算能力比较GPU差,深度上得海量计算。GPU有强大浮点计算单元,GPU着色器(shader)对同样批数量为同步调执行同样指令流水。GPU同一时钟周期执行令数量千级,3000长。CPU同一时钟周期执行命令数据几十层。数据交互能力大为超CPU。GPU逻辑运算能力不等,流水线并行能力(同一时钟周期起执行不一逻辑序列能力)差,需要批数量并调整执行同样逻辑。神经网络需要广大数据交互能力,CNN卷积、矩阵运算操作,通过数量交互大幅提高性能。
GPU出厂后搭固定,硬件原生支持指令固定。如神经网络有GPU不支持指令,无法直接硬件实现,只能软件模拟。FPGA加速,开发者在FPGA里编程,改变FPGA硬件结构。FPGA体系布局不一,不是冯·诺伊曼结构,是代码描述逻辑电路。只要片及逻辑门、引脚够多,全部输入、运算、输出都当一个钟周期内形成。FPGA一个时钟周期执行同样不好全发热好电路,一个模块就一律词超复杂“指令”,不同模块不同逻辑序列,序列里就同漫漫指令。不同运算单元硬件直连,数据交互、流水线并行共存(GPU流水线并行能力约0),浮点运算能力不使GPU。适合低顺延预测推理,每批大小比较小。
TPU,专用集成电路(application specific integrated
circuit,ASIC),硬件逻辑一旦烧写不可再编程,专门为TensorFlow做深上开发。TPU目前版本不能够圆运作TensorFlow功能,高效预测推理,不涉及训练。

机器上评测系统。

人脸识别性能指标。
识假性能,是否鉴别准确。Top-K识别率,给起前K个结果包含对结果概率。错误拒绝辨识率(FNIR),注册用户为系统错误辩识为外注册用户比例。错误受辩识率(FPIR),非注册用户被系统识别为有注册用户比例。
征性能,验证人脸模型是否足够好。误识率(False Accept
Rate,FAR),将其他人误作指定人员概率。拒识率(False Reject
Rate,FRR),将点名人员误作其他人员概率。识别速度,识别一合乎人脸图像时、识别一个丁岁月。注册速度,注册一个总人口时。

闲聊机器人性能指标。
答复正确率、任务完成率、对话回合数、对话时、系统平均响应时间、错误信息率。评价为主单元,单轮对话。人机对话进程,连续经过。http://sanwen.net/a/hkhptbo.html
《中国人工智能学会通讯》2016年第6卷第1巴。聊天机器人,机器人答句和用户问句应该语义一致,语法正确,逻辑是。机器人答句以有趣、多样,不是直闹安全应。机器人应该个性表达相同,年龄、身份、出生地基本背景音、爱好、语言风险应该相同,能想象成一个突出人。

机械翻译评价法。
BLEU(bilingual evaluation
understudy)方法,2002年,IBM沃森研究中心提出。机器翻译语句与人类专业翻译语句越接近越好。下人工评价高度相关。正确句子作参照译文(reference)、正确句子(golden
sentence),测试句子作候选译文(candidate)。适用测试语料具有多个参考译文。比较参考译文与候选译文相同片段数量,参考译文连续出现N元组(N个单词或字)与候选译文N元组比较,n单位有的(n-gram)比较。计算了匹配N元组个数和参考译文N元组总个数比例。与位置无关。匹配片段数越多,候选译文质量更好。
METEOR,不仅要求候选译文在任何句子上,在句子分段级别上,都使跟参考译文更类似。https://en.wikipedia.org/wiki/METEOR\#Algorithm
。在需要评字符串与参考文符串间创造平面图。待评翻每个一元组必须映射到参考翻译1只或0只一元组。选择映射交叉数据比较少的。

常用通用评价指标。
准确率、召回率、F值、ROC、AUC、AP、mAP。
ROC(Receiver Operating Characteristic,受试者工作特点曲线)、AUC(Area
Under roc Curve,曲线下面积),评价分类器指标。ROC曲线横坐标FPR(False
positive rate),纵为标TPR(True positive
rate)。ROC曲线越接近左上角,分类器性能更好。AUC,ROC曲线下者积大小。ROC曲线处于y=x直线上,AUC值介于0.5~1.0。AUC值更老表示性能更是好。专门AUC计算工具
http://mark.goadrich.com/programs/AUC/ 。
AP(average precision,平均准确性)、mAP(mean average
precision,平均准确性平均)。计算机视觉,分类问题,AP模型分类能力根本指标。只用P(precision
rate, 准确率)和R(recall
rate,召回率)评价,组成PR曲线趋势召回率越强准确率越没有。AP曲线下面积,等于对召回率做积分。mAP对持有品种取平均,每个接近作同样不行第二分拣任务。图像分类论文基本用mAP标准。

明白数据集。

图表数集。
ImageNet http://www.image-net.org/
。世界最要命图像识别数据集,14197122摆图像,斯坦福大学视觉实验室终身教学李飞飞创立。每年ImageNet大赛是国际计算机视觉顶级赛事。
COCO http://mscoco.org/
。微软开创,分割、加字幕标注数据集。目标细分,通过上下文进行识别,每个图像包含多个目标靶,超过300000图像,超过2000000实例,80种对象,每个图像包含5只字幕,包含100000独人口重要点。
CIFAR(Canada Institude For Advanced Research) https://www.cifar.ca/
。加拿大先进技术研究院筹募。8000万有些图数集。包含CIFAR-10、CIFAR-100两单数据集。CIFAR-10,60000布置32×32
RGB彩色图片,共10独品类,50000摆设训练,10000摆测试(交叉验证)。CIFAR-100,60000张图像,100单门类,每个门类600摆放图像,500摆放训练,100布置测试。20独好类,每个图像包含小品种、大品类两单记号。

口脸数据集。
AFLW(Annotated Facial Landmarks in the Wild)
http://lrs.icg.tugraz.at/research/aflw/
,从Flickr收集带标注面部图像大规模wyskwgk,各种姿态、表情、光照、种族、性别、年龄因素影响图片,25000万手工标注人脸图片,每个人脸标注21只特征点,大多数彩,59%女,41%男。非常适合人脸识别、人脸检测、人脸对伙同。
LFW(Labeled Faces in the Wild Home) http://vis-www.cs.umass.edu/lfw/
。美国马萨诸塞大学阿姆斯特分校计算机视觉实验室整理。13233张图,5749人口,4096人口就发雷同布置图纸,1680独多为平摆设。用于研究不受限情形人脸识别问题。人脸外形不平稳,面部表情、观察角度、光照条件、室内室外、遮盖物(口罩、眼镜、帽子)、年龄影响。为文化界评价识别性标准(benchmark)。
GENKI http://mplab.ucsd.edu
,加利福尼亚大学采集。包含GENKI-R2009a、GENKI-4K、GENKI-SZSL。GENKI-R2009a,11159图形。GENKI-4K,4000图片,笑与不笑两像样,每个图片人脸姿势、头转动标注角度,专用笑脸识别。GENKI-SZSL,3500图像,广泛背景、光照条件、地理位置、个人身份、种族。
VGG Face http://www.robots.ox.ac.uk/~vgg/data/vgg\_face/
。2622单例外人,每个人1000摆放图,训练人脸识别大数据集。
CelebA(Large-scale CelebFaces Atributes,大规模名人人脸标注数据集)
http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
。10177单名人,202599张名人图像,每张图像40只特性标注。

视频数据集。
YouTube-8M https://research.google.com/youtube8m/
。800万单YouTube视频URL,50万钟头长度视频,带有视频标注。

问答数据集。
MS MARCO(Microsoft Machine Reading Comprehension) http://www.msmarco.org
。微软发表,10万单问题与答案数据集。创建像人类一样看、回答问题系统。基于匿名真实数据构建。
康奈尔大学电影对白数据集
https://www.cs.cornell.edu/~cristian/Cornell\_Movie-Dialogs\_Corpus.html
。600总统好莱坞影片对白。

电动开数据集。
法国国家信息与自动化研究所旅客数据集(INRIA Person Dataset)
http://pascal.inrialpes.fr/data/human/
。作为图像以及视频被直立人检测研究工作有的采访。图片两种格式,一有所相应注释文件原始图像,二有着老图像经过正规处理64×128如素正像。图片分就来车、只有人、有车有人、无车无人4单门类。
KITTI(Karlsruhe Institute of Technology and Toyota Technological
Institute) http://www.cvlibs.net/datasets/kitti/
。车辆数据集,7481个教练图片、7518单测试图。标注车辆档次、是否截断、遮挡情况、角度值、二维和三维框、位置、旋转角度。

春秋、性别数据集。
Adience 数据集 http://www.openu.ac.il/home/hassner/Adience/data.html
。来源Flickr相册。用户用智能手机设备拍摄,2284品种,26580摆设图。保留光照、姿势、噪声影响。性别、年龄估计、人脸检测。

参考资料:
《TensorFlow技术解析及实战》

迎接推荐上海机上工作机遇,我之微信:qingxingfengzi

http://www.bkjia.com/Pythonjc/1233241.htmlwww.bkjia.comtruehttp://www.bkjia.com/Pythonjc/1233241.htmlTechArticle学习笔记TF067:TensorFlow
Serving、Flod、计算加速,机器上评测系统,公开数据集,tf067tensorflow
TensorFlow Serving https://tensorflow.github.io/serving/ 。…

TensorFlow Serving https://tensorflow.github.io/serving/ 。

年纪、性别数据集。
Adience 数据集 http://www.openu.ac.il/home/hassner/Adience/data.html
。来源Flickr相册。用户用智能手机设备拍摄,2284门类,26580布置图纸。保留光照、姿势、噪声影响。性别、年龄估计、人脸检测。

人脸数据集。
AFLW(Annotated Facial Landmarks in the Wild)
http://lrs.icg.tugraz.at/research/aflw/
,从Flickr收集带标注面部图像大规模wyskwgk,各种姿态、表情、光照、种族、性别、年龄因素影响图片,25000万手工标注人脸图片,每个人脸标注21个特征点,大多数绚丽多彩,59%女性,41%男性。非常适合人脸识别、人脸检测、人脸对同步。
LFW(Labeled Faces in the Wild Home) http://vis-www.cs.umass.edu/lfw/
。美国马萨诸塞大学阿姆斯特分校计算机视觉实验室整理。13233张图纸,5749总人口,4096总人口仅仅发一致摆放图,1680单多让同一布置。用于研究不受限情形人脸识别问题。人脸外形不安静,面部表情、观察角度、光照条件、室内室外、遮盖物(口罩、眼镜、帽子)、年龄影响。为学界评价识别性标准(benchmark)。
GENKI http://mplab.ucsd.edu
,加利福尼亚大学采访。包含GENKI-R2009a、GENKI-4K、GENKI-SZSL。GENKI-R2009a,11159图纸。GENKI-4K,4000图,笑与不笑两好像,每个图片人脸姿势、头转动标注角度,专用笑脸识别。GENKI-SZSL,3500图像,广泛背景、光照条件、地理位置、个人身份、种族。
VGG Face http://www.robots.ox.ac.uk/~vgg/data/vgg\_face/
。2622只不同人,每个人1000摆图片,训练人脸识别大数据集。
CelebA(Large-scale CelebFaces Atributes,大规模名人人脸标注数据集)
http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
。10177独名人,202599摆名人图像,每张图像40单特性标注。

视频数据集。
YouTube-8M https://research.google.com/youtube8m/
。800万独YouTube视频URL,50万小时长度视频,带有视频标注。

参考资料:
《TensorFlow技术解析及实战》

范生命周期管理。模型先数据训练,逐步来初步模型,优化模型。模型多重算法试验,生成模型管理。客户端(Client)向TensorFlow
Severing请求模型,TensorFlow Severing返回适当模型给客户端。TensorFlow
Serving、gRPC(谷歌公司开源高性能、跨语言RPC框架),提供跨语言RPC接口,不同编程语言都可看模型。

自动驾驶数据集。
法国国家信息与自动化研究所旅客数据集(INRIA Person Dataset)
http://pascal.inrialpes.fr/data/human/
。作为图像和视频被直立人检测研究工作有采集。图片两栽格式,一有所相应注释文件原始图像,二装有老图像经过正规处理64×128像素正像。图片分就出车、只有人、有车有人、无车无论人4单种类。
KITTI(Karlsruhe Institute of Technology and Toyota Technological
Institute) http://www.cvlibs.net/datasets/kitti/
。车辆数据集,7481个教练图片、7518单测试图。标注车辆种类、是否截断、遮挡情况、角度值、二维和三维框、位置、旋转角度。

TPU 加速、FPGA加速。
谷歌TensorFlow设计专用集成芯片-张量处理单元(Tensor Processing
Unit,TPU)。CPU逻辑运算(if
else)能力大强,计算能力较GPU差,深度上要海量计算。GPU有强浮点计算单元,GPU着色器(shader)对同一批数量因同一步调执行同样指令流水。GPU同一时钟周期执行令数量千级,3000漫漫。CPU同一时钟周期执行命令数据几十层。数据交互能力颇为超CPU。GPU逻辑运算能力不同,流水线并行能力(同一时钟周期起执行不一逻辑序列能力)差,需要批数量并调整执行同一逻辑。神经网络需要广泛数据交互能力,CNN卷积、矩阵运算操作,通过数量交互大幅提高性能。
GPU出厂后搭固定,硬件原生支持指令固定。如神经网络有GPU不支持指令,无法直接硬件实现,只能软件模拟。FPGA加速,开发者在FPGA里编程,改变FPGA硬件结构。FPGA体系布局不一,不是冯·诺伊曼结构,是代码描述逻辑电路。只要片及逻辑门、引脚够多,全部输入、运算、输出都当一个时钟周期内形成。FPGA一个钟周期执行同样不善合烧好电路,一个模块就一样词超复杂“指令”,不同模块不同逻辑序列,序列里就相同长达指令。不同运算单元硬件直连,数据交互、流水线并行共存(GPU流水线并行能力约0),浮点运算能力不使GPU。适合低顺延预测推理,每批大小比较小。
TPU,专用集成电路(application specific integrated
circuit,ASIC),硬件逻辑一旦烧写不可再编程,专门为TensorFlow做深度上开发。TPU目前版不可知圆运作TensorFlow功能,高效预测推理,不关乎训练。

在/tmp/tensorflow_pkg产生whell文件,再就此pip命令安装wheel文件。

机上评测系统。

当面数据集。

TensorFlow Flod https://github.com/tensorflow/fold ,《Deep Learning
with Dynamic Computation Graphs》https://openreview.net/pdf?id=ryrGawqex
。深度上过程,模型训练多少预处理,不同结构数据剪裁成相同维度、尺寸,划分成批,进入训练流程。静态图模型,缺点,输入数据无法一般先处理,模型针对不同输入数据建立不同计算图(computation
graph)分别训练,没有充分利用处理器、内存、高速缓存。
TensorFlow
Fold(现在还来了Eager模式,可以比上),根据不同结构输入数据建立动态计算图(dynamic
computation),根据每个不同输入数据建立不同计算图。动态批处理(dynamic
batching)自动组合计算图,实现输入数据里面批处理,批处理单个输入图内不同节点,不同输入数据中批处理,批处理不同输入图间运算。可插入附加指令以不同批处理操作间移动数据。简化模型训练等输入数据预处理过程。CPU模型运行速度增长10倍增以上,GPU提高100倍增。

闲话机器人性能指标。
应对正确率、任务完成率、对话回合数、对话时、系统平均响应时间、错误信息率。评价为主单元,单轮对话。人机对话进程,连续经过。http://sanwen.net/a/hkhptbo.html
《中国人工智能学会简报》2016年第6窝第1欲。聊天机器人,机器人答句和用户问句应该语义一致,语法正确,逻辑是。机器人答句以有趣、多样,不是一直有安全应对。机器人应该个性表达相同,年龄、身份、出生地基本背景信息、爱好、语言风险当同,能想象成一个杰出人。

TensorFlow计算加速。GPU设备,XLA
框架融合OP,分布式计算、参数有分布到不同机器,硬件计算,CPU更尖端命令集SSE、AVX,FPGA编写支持TensorFlow计算单元。
CPU加速。pip命令安装,与再宽广机器兼容,TensorFlow默认仅于x86机器使用SSE4.1
SIMD指令。源代码安装好收获最好特别性,开启CPU高级指令集支持。bazel
构建只能当好机器运行二进制文件。

图表数集。
ImageNet http://www.image-net.org/
。世界最为深图像识别数据集,14197122张图像,斯坦福大学视觉实验室终身教学李飞飞创立。每年ImageNet大赛是国际计算机视觉顶级赛事。
COCO http://mscoco.org/
。微软创办,分割、加字幕标注数据集。目标细分,通过上下文进行鉴别,每个图像包含多个目标靶,超过300000图像,超过2000000实例,80种植对象,每个图像包含5只字幕,包含100000独人口要点。
CIFAR(Canada Institude For Advanced Research) https://www.cifar.ca/
。加拿大先进技术研究院收集。8000万聊图数集。包含CIFAR-10、CIFAR-100两单数据集。CIFAR-10,60000摆32×32
RGB彩色图片,共10独品种,50000张训练,10000摆放测试(交叉验证)。CIFAR-100,60000布置图像,100单种类,每个门类600摆设图像,500摆设训练,100摆测试。20独十分类,每个图像包含小项目、大门类两单记号。

TensorFlow Serving代码 https://hithub.com/tensorflow/serving
。源代码Bazel编译安装
https://github.com/tensorflow/serving/blob/master/tensorflow\_serving/g3doc/setup.md
,Docker安装。https://www.tensorflow.org/serving/setup 。结合TensorFlow
Serving,训练好模型,创建Docker镜像,推送至Google Container Registry
https://cloud.google.com/container-registry/docs/
。模型在谷歌云平台(Google Cloud
Platform)运行。Kubernetes成功安排模型服务。Serving Inception Model with
TensorFlow Serving and Kubernetes
https://tensorflow.github.ic/serving/serving\_inception 。Google ML
Engine,全托管TensorFlow平台,训练模型一键转换预测服务。

接推荐上海机械上工作机会,我的微信:qingxingfengzi

问答数据集。
MS MARCO(Microsoft Machine Reading Comprehension) http://www.msmarco.org
。微软揭晓,10万个问题与答案数据集。创建像人类一样看、回答问题系统。基于匿名真实数据构建。
康奈尔大学影视对白数据集
https://www.cs.cornell.edu/~cristian/Cornell\_Movie-Dialogs\_Corpus.html
。600总统好莱坞影片对白。

人脸识别性能指标。
识假性能,是否鉴别准确。Top-K识别率,给起前K个结果包含对结果概率。错误拒绝辨识率(FNIR),注册用户给系统错误辩识为外注册用户比例。错误受辩识率(FPIR),非注册用户给网识别为有注册用户比重。
征性能,验证人脸模型是否足够好。误识率(False Accept
Rate,FAR),将其他人误作指定人员概率。拒识率(False Reject
Rate,FRR),将点名人员误作其他人员概率。识别速度,识别一切人脸图像时、识别一个口日子。注册速度,注册一个丁岁月。

bazel build -c opt –copt=-mavx –copt=-mavx2 –copt=-mfma
–copt=-mfpmath=both –copt=-msse4.2 –copt=-cuda -k
//tensorflow/tools/pip_package:build_pip_package
bazel-bin/tensorflow/tools/pip_package/build_pip_package
/tmp/tensorflow_pkg

生育条件灵活、高性能机器上型服务系统。适合因实际数目大运行,产生多单模型训练过程。可用以开发条件、生产条件。

常用通用评价指标。
准确率、召回率、F值、ROC、AUC、AP、mAP。
ROC(Receiver Operating Characteristic,受试者工作特点曲线)、AUC(Area
Under roc Curve,曲线下面积),评价分类器指标。ROC曲线横坐标FPR(False
positive rate),纵为标TPR(True positive
rate)。ROC曲线越接近左上角,分类器性能更好。AUC,ROC曲线下者积大小。ROC曲线处于y=x直线上,AUC值介于0.5~1.0。AUC值更充分表示性能更是好。专门AUC计算工具
http://mark.goadrich.com/programs/AUC/ 。
AP(average precision,平均准确性)、mAP(mean average
precision,平均准确性平均)。计算机视觉,分类问题,AP模型分类能力根本指标。只用P(precision
rate, 准确率)和R(recall
rate,召回率)评价,组成PR曲线趋势召回率越强准确率越没有。AP曲线下面积,等于对召回率做积分。mAP对有种类取平均,每个接近作同样涂鸦第二分类任务。图像分类论文基本用mAP标准。

相关文章