何为Top-1，Top-5

最新推荐文章于 2025-03-24 14:16:54 发布

一厘米li

最新推荐文章于 2025-03-24 14:16:54 发布

阅读量1.8k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签：神经网络 python 深度学习

本文链接：https://blog.youkuaiyun.com/u014769320/article/details/114948839

机器学习专栏收录该内容

13 篇文章

订阅专栏

本文介绍如何使用神经网络预测图像类别，并通过top-1和top-5准确率衡量模型性能。以一个包含六种水果的分类任务为例，展示了如何计算不同准确率指标。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

众所周知，神经网络预测类别是以概率的形式给出。

像这样:用一个CNN来预测图像6个类别：香蕉，苹果，大鸭梨，草莓，葡萄，大西瓜。

假设一个batch中有两条数据，batch_1和batch_2,（也就是有两张图像）。它们的label值为2（大鸭梨）和5（大西瓜）。

预测的概率值如下表所示

类别	香蕉	苹果	大鸭梨	草莓	葡萄	大西瓜	label
batch_1	0.05	0.2	0.3	0.2	0.2	0.15	2
batch_2	0.03	0.1	0.3	0.07	0.4	0.1	5

Top-1 就是去每个batch中没组数据中的最大概率值的分类。可以通过函数torch.topk(input, k, dim=None, largest=True, sorted=True, *, out=None)函数来获得。

经过torch.topk将返回两个值，分别为：values和 indices。

例如上面的那个例子，

top-1 value  = [0.3,  
                0.4]  
top-1 indices =[2,
                4]

在计算准确率时，类别是对应的index值，所以讲top1 indices与label进行比较

[2,4] vs. [2,5] = [True,False] 准确率为1/2=0.5

同理，top-5 计算如下，准确率为100%。

top-5 value  = [[0.3, 0.2, 0.2, 0.2, 0.15], 
                [0.4, 0.3, 0.1, 0.1, 0.07]]  
top-5 indices =[[2, 1, 3, 4, 5],
                [4, 2, 1, 5, 3]]

[[2, 1, 3, 4, 5],       [[2],
                   VS.         = [True True] = 2/2=1
 [4, 2, 1, 5, 3]]        [5]]

这也就是为什么top-5的值要大于top-1了，因为top-5的包容性更强。

以上就是我个人的理解，若有不正确的，请不吝赐教，大家一起进步！

以下是我找的一部分代码，具体出处不记得了。

import numpy as np
import torch

def cls_accuracy(output, target, topk=(1,)):
    maxk = max(topk)
    batch_size = target.size(0)

    _, pred = output.topk(maxk, 1, True, True)
    print("top-5 的 index:\n",pred)
    pred = pred.t()
    correct = pred.eq(target.view(1, -1).expand_as(pred))

    res = []
    for k in topk:
        correct_k = correct[:k].contiguous().view(-1).float().sum(0)
        res.append(correct_k / batch_size)
    return res
pre = np.random.randint(0,9,[4,10])
b = torch.from_numpy(pre)
print("预测的结果：\n",b)
label = np.random.randint(0,9,[4])
t = torch.from_numpy(label)

acc=cls_accuracy(b, t, topk=(1,5))
print("top-1 acc:",acc[0],"\ntop-5 acc:",acc[1])

预测的结果：
 tensor([[6, 0, 2, 0, 1, 3, 1, 4, 1, 2],
        [7, 2, 8, 8, 1, 2, 5, 2, 5, 2],
        [4, 0, 5, 6, 6, 5, 8, 5, 1, 7],
        [2, 8, 4, 6, 6, 5, 4, 5, 3, 5]], dtype=torch.int32)
top-5 的 index:
 tensor([[0, 7, 5, 2, 9],
        [2, 3, 0, 6, 8],
        [6, 9, 3, 4, 2],
        [1, 3, 4, 5, 7]])
top-1 acc: tensor(0.5000) 
top-5 acc: tensor(1.)