在 ImageNet 分类论文中，top-1 和 top-5 错误率是衡量某些解决方案成功与否的重要单位，但这些错误率是多少？
在Krizhevsky等人的ImageNet Classification with Deep Convolutional Neural Networks 中。每个基于单个 CNN（第 7 页）的解决方案都没有前 5 个错误率，而具有 5 个和 7 个 CNN 的解决方案有（而且 7 个 CNN 的错误率优于 5 个 CNN）。
这是否意味着 top-1 错误率是单个 CNN 的最佳单个错误率？
top-5 错误率仅仅是五个 CNN 的累积错误率吗？
[...] 其中前 5 个错误率是测试图像中正确标签不在该模式认为最可能的五个标签中的部分。
首先，您使用 CNN 进行预测并获得预测的类多项分布（）。
现在，在top-1得分的情况下，您检查顶级类别（概率最高的类别）是否与目标标签相同。
对于前 5 个分数，您检查目标标签是否是您的前 5 个预测之一（概率最高的 5 个）。
在这两种情况下，最高得分的计算方法是预测标签与目标标签匹配的次数除以评估的数据点数。
最后，当使用 5-CNN 时，首先对它们的预测进行平均，然后按照相同的程序计算 top-1 和 top-5 分数。
您的分类器为您提供每个类别的概率。假设我们只有“cat”、“dog”、“house”、“mouse”作为类（按此顺序）。然后分类器给出类似的东西
0.1; 0.2; 0.0; 0.7
因此。Top-1 类是“鼠标”。前 2 个类是 {mouse, dog}。如果正确的类别是“狗”，那么它将被视为 Top-2 准确度的“正确”，但对于 Top-1 准确度来说是错误的。
因此，在一个分类问题中可能的类，每个分类器都有 100% top-准确性。“正常”准确度是 top-1。