1.图像分类准确率Accuracy

假设有测试样本100张图像，其中有90张预测对了类别，则准确率为：
Accuracy = 90/100*100% = 90%

2.Accuracy的缺点

假设测试样本100张，其中正例90张，负例10张，我们预测（瞎猜）所有的样本都是正例，那么可以得到准确率为：90%。（纳尼？瞎猜都能这么高？）可见这么高的准确率是没什么意义的。
总结：样本的不均衡是会影响模型的性能的。

3.什么是precision、recall以及F1指标、ROC曲线

这里引入一张表格，如下所示：

注：这里可以这样记忆
TP：P表示你预测的Positive，T（True）表示你预测正确，TP表示你把正样本预测为正样本
FP：P表示你预测的Positive，F（False）表示你预测错误，FP表示你把负样本预测为正样本
TN：N表示你预测的Negative，T（True）表示你预测正确，TN表示你把负样本预测为负样本
FN：N表示你预测的Negative，F（False）表示你预测错误，FP表示你把正样本预测为负样本

precision = TP / (TP + FP)
precision表示精确率，针对的是你所预测的正样本中，预测正确的正样本（即把正样本预测为正样本）占的比例。精确率越高，表示找的越准。

recall = TP / (TP + FN)
recall表示召回率， 针对的是所有的正样本中，预测正确的正样本（即把正样本预测为正样本）占的比例。召回率越高，表示找的越全。

F1 = 2 * precision * recall / (precision + recall)

ROC曲线：
ROC曲线是以fp rate为横坐标，tp rate为纵坐标画的曲线，如下图所示：
注：该图来自博文 https://blog.****.net/u013063099/article/details/80964865

其中：
fp rate = FP / (FP + TN)，表示假阳率。指的是你预测为正实际为负的样本占所有负样本的比例。
tp rate = TP / (TP + FN)，表示真阳率。指的是你预测为正实际也为正的样本占所有正样本的比例。

AUC (Area Under Curve)
AUC表示的是ROC曲线下的面积。

4.mAP的计算

mAP（mean Average Precision），即平均精确率均值。就是预测出每一个类别的精确率，再相加起来除以总的类别数。

举个例子说明：
对于某个类别，我们预测出有20个样本属于该类别，每个样本对应一个confidence，其中有6个样本是预测正确的。我们按照confidence的大小对齐进行排序，如下表所示：
注：下表数据参考网上版本的mAP举例说明。

因为一共有6个样本的真实标签为1，因此我们可以得到6个recall的值，分别为1/6，2/6，3/6，4/6，5/6，6/6，其中每个recall的值可以对应多个precision值。

计算出每个recall对应的最大precision，分别为1/1，2/2，3/6，4/7，5/11，6/16，将它们相加并求平均，则可以得到该类别的AP。如下表所示。

求出每个类别的AP，再相加求平均，即可得到最后的mAP。

结束。