- 综合排序
- 最热优先
- 最新优先
- 来自专栏一些有趣的Python案例
关于Top-1错误率、Top-1准确率、Top-5错误率、Top-5准确率的实例辨析
ILSVRC, and is computed as the proportion of images such that the ground-truth category is outside the top
1.5K20编辑于 2022-01-10 - 来自专栏NLP小白的学习历程
什么是图像分类的Top-5和Top-1错误率
第一次听到top-5错误率，是在CV课上老师讲的，今天又在ImageNet论文上看到了，所以小记一下。 相比而言，Top-5 error-rate 就是使用预测结果的Top-5（分类结果标签的前五个）与正确结果进行对比，如果五个之中有一个正确那么就认为分类器预测结果正确。 一般来说，Top-1和Top-5错误率越低，模型的性能也就越好。且Top-5 error 在数值上会比Top-1 error 的数值要小，毕竟从1个结果猜对的几率总会比从5个结果里猜对的几率要小嘛！
3K30发布于 2020-11-13 - 来自专栏智药邦
Nat Commun｜增强的用于直接合成和单步逆合成的NLP的Transfermer模型
在混合数据集上该模型top-1的准确率可达到90.6%，top-5的准确率 96.1%；在USPTO-MIT分离集上top-5的准确率可达到97%。 对于每一次扩增，top-5的性能通常会随着扩增序列的数量而增加。对于仅使用4-5个增量的训练集，在不同场景中计算最高的top-5值是一致的(图2)。 图2:使用不同训练集增强方式开发的Transfromer模型对x20测试集进行预测的Top-5性能 4. 当beam=5时，这种训练将top-1的准确率提高到了53.3%， top-5提高到了79.4%(表1)。在此设置下，模型对top-1和top-5预测的准确率分别达到了53.6%和80.8%。 使用较小的数据集将Top-1性能略微提高到90.6%，但将Top-5性能降低到96.1%。直接合成的改进看起来很小，只有几个百分点。
1.1K20发布于 2021-09-06 - 来自专栏深度学习思考者
ImageNet Classification with Deep Convolutional Neural Networks笔记(摘要版)
测试结果，Top-1和Top-5的错误率分别为37.5%和17%，优于当时最优的水平。后来作者利用该种模型的变体参与了ILSVRC-2012比赛，以Top-5错误率15.3%遥遥领先亚军的26.2%。 将Top-1和Top-5的错误率分别降低了0.4%和0.3%（与s=2，z=2相比）。 全部架构 网络包括八个有权值的层。前五层是卷积层，剩下的三层是全连接的。最后一个全连接层是输出层。 结果 在ILSVRC-2012测试中CNNs方法Top-5错误率为18.2%，而5种相似CNN结构平均结果的Top-5的错误率为16.4%，将两个预处理后的CNN和上述5CNN平均后的结果进行平均化最后得到的错误率为
57710发布于 2019-05-27 - 来自专栏SnailTyan
Squeeze-and-Excitation Networks论文翻译——中英文对照
我们的表现最好的模型集合在测试集上达到了2.251%2.251\%的top-5错误率。与前一年的获奖者（2.991%2.991\%的top-5错误率）相比，这表示∼25%\sim 25\%的相对改进。 这种模式在更大的深度上重复，SE-ResNet-101（6.07%6.07\%的top-5错误率）不仅可以匹配，而且超过了更深的ResNet-152网络（6.34%6.34\%的top-5错误率）。 ResNeXt-50 (5.90%5.90\% top-5 error) as well as the deeper ResNeXt-101 (5.57%5.57\% top-5 error), a 5.57\%的top-5错误率），这个模型几乎有两倍的参数和计算开销。 为了竞争的目的，使用top-5错误率度量来对输入条目进行排序。
1.6K00发布于 2017-12-28 - 来自专栏TechBlog
通用视觉框架OpenMMLab图像分类与基础视觉模型
设计图像特征(1990s~2000s) 特征工程的天花板 在ImageNet 图像识别挑战赛里，2010 和2011 年的冠军队伍都使用了经典的视觉方法，基于手工设计的特征+ 机器学习算法实现图像分类，Top • 随机梯度下降算法 • 视觉模型常用训练技巧 • 自监督学习：基于无标注的数据学习 AlexNet (2012) 第一个成功实现大规模图像的模型，在ImageNet 数据集上达到~85% 的top 大幅提高收敛速度 实现并开源了cuda-convnet ，在GPU 上训练大规模神经网络在工程上成为可能 Going Deeper (2012~2014) VGG-19 19 层 ImageNet Top -5 准确率：92.7% GoogLeNet 22 层 ImageNet Top-5 准确率：93.4% VGG (2014) 将大尺寸的卷积拆解为多层3×3 的卷积，相同的感受野、更少的参数量、更多的层数和表达能力 没有引入额外参入，让参数更有效贡献到最终的模型中 残差网络ResNet (2015) ResNet-34 34层ImageNet Top-5 准确率：94.4% 5 级，每级包含若干残差模块，不同残差模块个数不同
97420编辑于 2023-02-24 - 来自专栏DrugAI
Nat. Commun. | 融合丰富知识的视觉语言模型助力提升常见与罕见眼底病诊断准确率
在零样本测试中，RetiZero在15类疾病中Top-5准确率为0.843，在52类中为0.756；图像检索任务中，分别达到0.950和0.886。 在EYE-15中Top-5检索准确率为0.950，在EYE-52中为0.886，均大幅优于RETFound和FLAIR。 结果显示，RetiZero的Top-5零样本识别性能优于所有医生。在AI辅助诊断测试中，医生的准确率从58.2%提升至62.8%。其中，初级医生提升幅度最大，从48.5%提升至57.4%。 RetiZero为医生提供的Top-5参考结果中，有68.6%的修改行为将错误判断纠正为正确，说明其对临床辅助具有实质性帮助。 其Top-5诊断输出模式在模拟临床差异诊断方面提供了有益工具，显著提升了医生的准确率与信心，特别对初学者帮助更大。
11310编辑于 2026-01-06 - 来自专栏全栈程序员必看
深度学习-目标检测评估指标P-R曲线、AP、mAP[通俗易懂]
接下来对confidence score排序，得到： P-R曲线： 我们得到top-5的结果，前score最高的前5个样本，预测label为1，即： 此例中采用top-5评估，也可采用其他评估， 是相对于方框内的元素而言，在这个例子中，confidence score排在top-5之外的元素为false negatives和true negatives，即： 其中，false negatives 这个例子的precision-recall曲线如下： 实际多类别分类任务中，我们通常不满足只通过top-5来衡量一个模型的好坏，而是需要知道从top-1到top-N（N是所有测试样本个数，本文中为20
5.6K20编辑于 2022-09-07 - 来自专栏AI科技时讯
计算机视觉经典网络回归--AlexNet
前言 在2010年的ImageNet LSVRC-2010上，AlexNet在给包含有1000种类别的共120万张高分辨率图片的分类任务中，在测试集上的top-1和top-5错误率为37.5%和17.0% （top-5 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。 同理top-1对一张图像只预测1个类别），在ImageNet LSVRC-2012的比赛中，取得了top-5错误率为15.3%的成绩。 值得注意的是，这种训练方法使top-1和top-5错误率和使用一个GPU训练一半的kernels相比分别降低了1.7%和1.2%， 3.3 局部响应归一化（Local Response Normalization 池化层可以看作是由间隔为 的池化单元的网格组成，每个池化单元总结了以合并单元的位置为中心的大小为 的邻域，即池化单元大小为 ，步长为 ，当 时就是重叠池化，在AlexNet中 ，这样的设定使他们的top-1和top
1.3K10发布于 2020-04-01 - 来自专栏SnailTyan
Squeeze-and-Excitation Networks论文翻译——中文版
我们的表现最好的模型集合在测试集上达到了2.251%2.251\%的top-5错误率。与前一年的获奖者（2.991%2.991\%的top-5错误率）相比，这表示∼25%\sim 25\%的相对改进。 这种模式在更大的深度上重复，SE-ResNet-101（6.07%6.07\%的top-5错误率）不仅可以匹配，而且超过了更深的ResNet-152网络（6.34%6.34\%的top-5错误率）。 尤其是SE-ResNeXt-50的top-5错误率是5.49%5.49\%，优于于它直接对应的ResNeXt-50（5.90%5.90\%的top-5错误率）以及更深的ResNeXt-101（5.57% 5.57\%的top-5错误率），这个模型几乎有两倍的参数和计算开销。 SE-Inception-ResNet-v2（4.79%4.79\%的top-5错误率）比我们重新实现的Inception-ResNet-v2（5.21%5.21\%的top-5错误率）要低0.42%0.42
1.6K100发布于 2017-12-29 - 来自专栏AI科技大本营的专栏
笔记 |《深度学习原理与TensorFlow实践》学习笔记（三）
1409.1556.pdf] 背景： LeNet + MNIST 成为 Deep Learning 界的 “Hello World” 传统图像识别技术陷入瓶颈 ILSVRC 2012 图像分类第一名 Top [https://arxiv.org/pdf/1409.1556.pdf] VGGNet 是基于 AlexNet 的改进 ILSVRC 2014 图像分类第二名、图像定位第一名 图像分类 TOP-5 [http://arxiv.org/pdf/1502.03167] 图像分类 TOP-5 错误率 4.9%，TOP-1 错误率 20.1% Batch Normalization 操作：将batch [https://arxiv.org/pdf/1512.00567v3.pdf] 图像分类 TOP-5 错误率 3.58%，TOP-1 错误率17.2% 关键点及意义 将卷积操作继续分解成更小的卷积核 ILSVRC 2015 图像分类第一名 图像分类 TOP-5 错误率 3.57% 关键点及意义 残差结构解决深度网络的退化问题（degradation problem） 模型深度越深，识别更准确 参数更少
1.3K50发布于 2018-04-26 - 来自专栏基于深度学习的图像增强
CNN卷积神经网络 ILSVRC-2012
在测试数据上，top-1和top-5的误差率分别为37.5%和17%，这比以往的先进水平都要好得多。 同时，在ILSVRC-2012比赛中加入了该模型的一个变式，以15.3%的top-5误差率胜过第二的26.2%。 在ImageNet上，我们往往使用两种误差率，top-1和top-5，其中 ，top-5是指测试图像上正确标签不属于模型认为最有可能的五个标签的百分比。 架构 ReLU 非线性变换 ? 如果s=z，就是CNN中传统的局部池化；如果s<z，我们可以得到重叠池化，与s=2,z=2相比，令s=2,z=3可以使top-1,top-5分别下降0.4%和0.3%。
1.5K30发布于 2020-06-03 - 来自专栏机器之心
过往Net，皆为调参？一篇BagNet论文引发学界震动
在这篇 BagNet 论文中，作者发现对于 ImageNet 分类任务，BagNet（86% Top-5 准确率）相比于传统的深度 AlexNet（84.7% Top-5 准确率）能获得更好的效果。 B) ImageNet Top-5 准确率随图像块大小的变化而变化。C) BagNet 和 VGG 分对数的相关性。 ? 图 2：热力图展示了类别的证据，这些证据都是从不同的截取图像块抽取出来的。 这一策略和深度学习流行之前的 bag-of-feature(BoF）模型密切相关，且在 ImageNet 上取得了惊人的高准确率（取 32 x 32 像素的特征图，top-5 准确率能达到 87.6%； 而取 16×16 像素的特征图，top-5 准确率能达到 AlexNet 的性能）。
71020发布于 2019-03-06 - 来自专栏CSDN技术头条
基于Hadoop集群的大规模分布式深度学习
使用4台服务器（4x8个GPU）训练，能在10小时内使top-5准确率超过80%（20%的误差）。注意1个GPU训练40小时后也只能达到60%的top-5准确率（40%的误差）。 ? 对于60%的top-5准确率（40%的误差），8个GPU能比1个GPU提速680%。下表显示了达到70%和80% top-5准确率的速度提升幅度。
788100发布于 2018-02-11 - 来自专栏AIUAI
Caffe - 训练日志 log 可视化分析
NumIters,Seconds,LearningRate,acc/top-1,acc/top-5,loss 7000.0,2266.206901,0.05,0.240812,0.591906,2.67359 plot(test_log["NumIters"], test_log["acc/top-1"], 'r') ax2.plot(test_log["NumIters"], test_log["acc/top
1.3K20发布于 2019-02-18 - 来自专栏深度应用
[开发技巧]·TopN指标计算方法
1.概念介绍 在图片分类的中经常可以看到Top-1，Top-5等TopN准确率（或者时错误率）。 那这个TopN是什么意思呢？ Top-5准确率就是指从网络输出取到的预测概率最大5个index与真实的index进行比对，5个之中任意一个比对成功就算预测正确了。
2.1K30发布于 2019-06-27 - 来自专栏机器视觉CV
卷积神经网络之 - ZFNet
使用 AlexNet，Top-5 验证错误率为 18.1％。 通过使用 ZFNet，Top-5 验证错误率为 16.5％。我们可以得出结论，基于可视化的修改是必不可少的。 通过使用（a）中的 5 个 ZFNet 和（b）中的 1 个修改后的 ZFNet，Top-5 验证错误率为 14.7％。 Caltech-101 数据集测试结果 ? 修改后的 ZFNet 可以获得 Top-5 16.0％ 的验证错误率 。 结论 虽然之前的研究只能观察到浅层特征，但本文提供了一种有趣的方法来观察像素域中的深层特征。
80020发布于 2020-07-23 - 来自专栏深度应用
『深度概念』理解多标签图像分类任务的MAP评价方法
上图比较直观，圆圈内（true positives + false positives）是我们选出的元素,它对应于分类任务中我们取出的结果，比如对测试样本在训练好的car模型上分类，我们想得到top 方框内圆圈外的元素（false negatives和true negatives）是相对于方框内的元素而言，在这个例子中，是指confidence score排在top-5之外的元素，即： ? 实际多类别分类任务中，我们通常不满足只通过top-5来衡量一个模型的好坏，而是需要知道从top-1到top-N（N是所有测试样本个数，本文中为20）对应的precision和recall。
2.7K20发布于 2020-08-12 - 来自专栏SnailTyan
ImageNet Classification with Deep Convolutional Neural Networks——AlexNet论文翻译——中英文对照
我们也使用这个模型的一个变种参加了ILSVRC-2012竞赛，赢得了冠军并且与第二名 top-5 26.2%的错误率相比，我们取得了top-5 15.3%的错误率。 On ImageNet, it is customary to report two error rates: top-1 and top-5, where the top-5 error rate is 在ImageNet上，按照惯例报告两个错误率：top-1和top-5，top-5错误率是指测试图像的正确标签不在模型认为的五个最可能的便签之中。 响应归一化分别减少了top-1 1.4%，top-5 1.2%的错误率。 在图4的左边部分，我们通过在8张测试图像上计算它的top-5预测定性地评估了网络学习到的东西。注意即使是不在图像中心的目标也能被网络识别，例如左上角的小虫。大多数的top-5标签似乎是合理的。
1.4K91发布于 2017-12-29 - 来自专栏人工智能头条
Yahoo基于Hadoop集群的大规模分布式深度学习
使用4台服务器（4x8个GPU）训练，能在10小时内使top-5准确率超过80%（20%的误差）。注意1个GPU训练40小时后也只能达到60%的top-5准确率（40%的误差）。 ? 对于60%的top-5准确率（40%的误差），8个GPU能比1个GPU提速680%。下表显示了达到70%和80% top-5准确率的速度提升幅度。
80820发布于 2018-06-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号