如果把人工智能的成长比作一场考试，那么 ImageNet 就是人类为 AI 准备的一场国家级高考。它不希望考生死记硬背，而是把互联网上乱七八糟的图片整理成一本超大型标准题库：1400 多万张图、2 万多个类别，每一张都有人工标注的标准答案。2010 年起，全球 AI 实验室每年参加 ILSVRC 这场年度模拟考，用同一套试卷互相较劲。2012 年，一个叫 AlexNet 的考生带着 8 层神经网络和两块 GPU 走进考场，把错误率从上一年的 25.8% 瞬间砍到 16.4%，随后引发 VGG、ResNet 的一连串高分纪录。这场考试让“更聪明”不再是口号，而是可以用错误率排名的硬指标。接下来，我们就用这套“高考”故事，拆解 ImageNet 如何一步步撬动深度学习革命。

岗位关联

理解 ImageNet 的演进，你就掌握了数据、算力、算法和评测如何协同驱动 AI 落地；这种判断力是算法工程师选型与规划项目时最值钱的经验。

目录
  1. 可视化演示
  2. 数据基石
  3. 竞赛机制
  4. 模型突破
  5. GPU训练
  6. 评测标准
  7. 产业影响
  8. 历史意义
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示ImageNet挑战赛(ILSVRC)历届Top-5错误率变化趋势，以及AlexNet突破性架构如何开启深度学习革命。

本节配有交互动效（进入视口后自动加载，约 3KB）。

ImageNet与深度学习突破 ILSVRC挑战：年度图像分类竞赛基准 AlexNet突破：2012年错误率骤降至16.4% 深度学习革命：CNN架构碾压传统方法 2012: AlexNet → 16.4% Top-5 Error ImageNet挑战赛推动深度学习突破性进展

数据基石

没有题库，考试就无从谈起。深度学习革命之前，学术界最常见的图像题库叫 MNIST，只有 7 万张 28×28 的手写数字小图，相当于小学随堂测验。一个模型如果只见过 10 个数字，再聪明也很难应对真实世界千变万化的猫狗、汽车和椅子。ImageNet 要做的事，就是给 AI 办一场真正的“高考”：题库必须够大、够难、够标准。

从 2007 年开始，李飞飞和团队用 WordNet 的语义层级组织图片。WordNet 像一张包罗万象的概念家谱，ImageNet 把从互联网抓来的图片按“猫→豹猫→渔猫”这样的亲缘关系放进不同类目。2009 年公布时，它已经拥有 2.2 万个类目和超过 1500 万张经过人工确认的图片。为了完成标注，团队用了众包平台，让全球网友像批改考卷一样，逐一确认图片是否真的属于这个类目。

这些数字为什么重要？因为神经网络靠“见多识广”来学习，类别越多、样本越足，模型越有可能学到稳定的规律。用公式表示，数据集规模 N 就是把每一个类别的图片数 n_k 加总：

如果把 AI 比作考生，ImageNet 就是一本带标准答案的巨型真题集。有了这本真题集，后续一切关于“谁更聪明”的讨论才有了统一的战场。

N=∑k=1Cnk\displaystyle N = \sum_{k=1}^{C} n_k
这个公式像一个仓库清点：总图片数等于每个货架上的图片数全部相加。
  1. N图像总量：整个 ImageNet 数据集中图片的总数，代表题库大小。
    N=15,000,000\displaystyle N = 15{,}000{,}000
  2. C类别总数：WordNet 组织出的类目数量，比赛常用子集只保留 1000 类。
    C=22,000\displaystyle C = 22{,}000
  3. n_k第 k 类样本数：每一个具体类目里的图片数量。
    nk=第 k 类的图片数\displaystyle n_k = \text{第 } k \text{ 类的图片数}
  4. 求和号把所有类别的图片数逐项加起来。
    ∑k=1C\displaystyle \sum_{k=1}^{C}

竞赛机制

题库再好，没有统一的考试规则也无法分出高下。2010 年，ImageNet 团队发起 ILSVRC 年度竞赛，相当于每年固定开考的全国统考。所有参赛队伍拿到同样约 120 万张训练图和固定验证集，最后在官方测试集上提交预测。大家拼的不是谁演示视频漂亮，而是同一个数字：Top-5 错误率。

Top-5 的意思是，模型每张图可以猜 5 个答案，只要其中包含真实类别，就算得分。这很像考卷里的“多选放宽给分”：允许模型犹豫，但一旦前五个答案都没有押中，就果断判错。ILSVRC 头两年冠军错误率在 28% 和 26% 左右，说明当时主流算法离实用还有很大距离。

正式定义可以用一个指示函数表示，模型对第 i 张图预测概率最高的前五个类别不包含真实类别 y_i 时，记为一次错误：

考试机制最大的作用是催化。因为每年都有同一个标尺，任何方法改进都能立刻被全球同行看见。2012 年 AlexNet 的惊人成绩，就在这场“高考放榜”中引爆了深度学习革命。

Top5Error=1N∑i=1N1[yi∉Top5(xi)]\displaystyle \mathrm{Top5Error} = \frac{1}{N} \sum_{i=1}^{N} \mathbb{1}\left[ y_i \notin \mathrm{Top5}(x_i) \right]
这就像阅卷老师检查五格答题卡：前五格都没有标准答案，这道题才真正算错。
  1. N测试样本总数：参加评分的图片共有多少张，决定分母。
    N=100,000\displaystyle N = 100{,}000
  2. i 循环逐张图片执行检查，把所有错误累加起来。
    ∑i=1N\displaystyle \sum_{i=1}^{N}
  3. y_i真实类别：每张图片对应的标准答案。
    yi∈{1,2,…,1000}\displaystyle y_i \in \{1, 2, \dots, 1000\}
  4. Top5(x_i)前五预测：模型对第 i 张图预测概率最高的 5 个类。
    Top5(xi)={y^i(1),…,y^i(5)}\displaystyle \mathrm{Top5}(x_i) = \{ \hat{y}^{(1)}_i, \dots, \hat{y}^{(5)}_i \}
  5. 示性函数 1[ ]条件成立取 1，不成立取 0，最终除以 N 得到错误率。
    1[yi∉Top5(xi)]\displaystyle \mathbb{1}\left[ y_i \notin \mathrm{Top5}(x_i) \right]

模型突破

同样是做题，尖子生和普通学生的差别在于方法。2012 年之前，大部分视觉系统像“背模板”：研究员手工设计边缘、颜色、纹理特征，再喂给浅层分类器，识别效果取决于人设计的特征好不好。AlexNet 则换了一种思路：不再手工设计特征，而是把原始像素直接丢给一个 8 层神经网络，让网络自己从数据中提炼特征。

这个“8 层”的深度放在今天不稀奇，但在当时是一个大胆尝试。AlexNet 引入了 ReLU 激活函数加速训练、Dropout 防止过拟合、数据增强增加样本多样性，最终成绩一骑绝尘。VGG 随后把网络加深到 16/19 层，证明堆叠小卷积核能提升表达力。ResNet 再进一步，用残差连接让网络深到 152 层而不退化。

每一层网络做的事情可以简要写成下面的变换，输入上一层特征 h_{l-1}，经过权重 W_l、偏置 b_l 和 ReLU 激活，得到本层输出 h_l：

如果把网络比作备考团队，AlexNet 是第一个敢用“深度学习法”的人，VGG 负责制定更系统的训练流程，ResNet 则解决了深不见底时的“楼梯失稳”。它们都在 ImageNet 这场考试里刷新纪录，也让整个行业相信：深度越高，潜力越大。

hl=ReLU(Wlhl−1+bl)\displaystyle h_l = \mathrm{ReLU}(W_l h_{l-1} + b_l)
这就像学生把上一步学到的知识写进笔记本，再用新笔记进行下一步推导；ReLU 负责把负面的杂音清掉。
  1. h_{l-1}上一层输出：携带前面所有层学到的特征信息。
    hl−1∈Rdl−1\displaystyle h_{l-1} \in \mathbb{R}^{d_{l-1}}
  2. W_l权重矩阵：第 l 层学到的参数，相当于考点笔记。
    Wl∈Rdl×dl−1\displaystyle W_l \in \mathbb{R}^{d_l \times d_{l-1}}
  3. b_l偏置项：调节神经元激活门槛的小常数。
    bl∈Rdl\displaystyle b_l \in \mathbb{R}^{d_l}
  4. ReLU 激活把负数置为 0、正数保留，缓解梯度消失。
    ReLU(z)=max⁡(0,z)\displaystyle \mathrm{ReLU}(z) = \max(0, z)
  5. h_l本层输出：经过激活后传给下一层的特征。
    hl=ReLU(Wlhl−1+bl)\displaystyle h_l = \mathrm{ReLU}(W_l h_{l-1} + b_l)

GPU训练

考试时间有限，做题速度就是硬通货。AlexNet 的 8 层网络有 6000 万参数，如果只用当时的 CPU 训练，可能要等几个月；拿到成绩时，这场考试早就结束了。AlexNet 团队选择用两块 NVIDIA GTX 580 GPU 并行训练，把训练时间压缩到 6 天。这个“快慢之差”直接改变了研究节奏：想法可以快速验证，错误可以快速修正。

深度学习的核心运算是大量矩阵乘法。卷积可以看作把图像小块和卷积核做乘加，全连接层是权重矩阵乘特征向量。GPU 有成百上千个并行计算核心，天然适合把大矩阵拆成很多块同时算。用一个简单模型描述这种加速：

GPU 就像给考生发了一叠草稿纸和一台计算器。过去手工设计特征像心算，只能做简单题；有了 GPU，深度学习才敢挑战百万级样本、千万级参数的大题。

TGPU=TCPUP\displaystyle T_{\mathrm{GPU}} = \frac{T_{\mathrm{CPU}}}{P}
理想情况下，P 倍并行度带来 P 倍提速；实际有通信开销，所以永远达不到完美加速。
  1. T_CPUCPU 训练耗时：串行计算时需要花费的参考时间。
    TCPU\displaystyle T_{\mathrm{CPU}}
  2. P并行加速倍数：GPU 有效并行单元相对于 CPU 的倍数。
    P>1\displaystyle P > 1
  3. T_GPUGPU 训练耗时：使用 GPU 后缩短的训练时间。
    TGPU\displaystyle T_{\mathrm{GPU}}
  4. 分数式加速倍数越大，训练时间越短。
    TGPU=TCPUP\displaystyle T_{\mathrm{GPU}} = \frac{T_{\mathrm{CPU}}}{P}

评测标准

考试最迷人的地方，是分数能被所有人看见。ImageNet 不只是一本题库，更是一把可量化的尺子。每年比赛结束后，官方公布排行榜，所有团队的模型在同一个测试集上按同一标准打分。研究社区因此知道：2012 年的突破不是幻觉，2014 年的 VGG、2015 年的 ResNet，每一步都把错误率往下摁。

更具体地说，2012 年 AlexNet 的 Top-5 错误率是 16.4%，2015 年 ResNet 把数字压到 3.57%，低于多数研究报告里人类水平约 5.1% 的参考线。这种进步用减法就能看清：

量化的意义在于让研究不再靠“我觉得有进步”。就像高考分数线一目了然；也正因此，ImageNet 成了深度学习革命的“成绩单”，每一次突破都必须先在这里证明自己。

ΔE=E2012−E2015=16.4%−3.57%=12.83%\displaystyle \Delta E = E_{2012} - E_{2015} = 16.4\% - 3.57\% = 12.83\%
三年时间，错误率降低了 12.83 个百分点，相当于分数线被连续刷新了好几次。
  1. E_20122012 年冠军错误率：AlexNet 当年的 Top-5 错误率。
    E2012=16.4%\displaystyle E_{2012} = 16.4\%
  2. E_20152015 年冠军错误率：ResNet 当年的 Top-5 错误率。
    E2015=3.57%\displaystyle E_{2015} = 3.57\%
  3. 相减用 2012 年的分数减去 2015 年的分数。
    ΔE=16.4%−3.57%\displaystyle \Delta E = 16.4\% - 3.57\%
  4. 结果计算出错误率下降了多少个百分点。
    ΔE=12.83%\displaystyle \Delta E = 12.83\%

产业影响

高考的终点不是分数，而是把人才送进各行业的考场。深度学习革命也一样，ImageNet 上训练出来的模型并不只停留在论文里。很多公司发现，与其从零开始收集自己行业的数据训练模型，不如直接拿 ImageNet 预训练模型当“实习生”，再在自己的小数据上带一带，就能上岗工作。

这套流程称为“预训练 + 微调”。ImageNet 上的百万级图片让模型先学会了通用视觉能力，比如边缘、纹理、形状、物体结构；到了医疗影像或工业质检场景，只需要用几千张目标数据做少量更新，让模型参数适应新领域。数学上，微调就是从一个好的起点继续走几步：

如果说 ImageNet 是高考，那预训练模型就是高考状元。它带着一身通用知识走进公司，只需要短暂培训，就能在商品识别、自动驾驶感知、医疗影像等岗位创造价值。这也是 ImageNet 对普通用户最直接的贡献。

θnew=θpretrained−η∇θL(θpretrained;Dtarget)\displaystyle \theta_{\mathrm{new}} = \theta_{\mathrm{pretrained}} - \eta \nabla_{\theta} L(\theta_{\mathrm{pretrained}}; D_{\mathrm{target}})
预训练参数是“高考状元”的初始知识，新数据只是让他在新岗位再培训几天。
  1. θ_pretrained预训练参数：在 ImageNet 上训练好的模型参数。
    θpretrained\displaystyle \theta_{\mathrm{pretrained}}
  2. D_target目标数据：商品图或医疗影像等新场景的小规模标注集。
    Dtarget={(xj,yj)}j=1M\displaystyle D_{\mathrm{target}} = \{(x_j, y_j)\}_{j=1}^{M}
  3. L损失函数：衡量模型在新任务上预测和标准答案的差距。
    L(θpretrained;Dtarget)\displaystyle L(\theta_{\mathrm{pretrained}}; D_{\mathrm{target}})
  4. ∇θ梯度：损失对参数的偏导，指明参数应该往哪个方向调整。
    ∇θL\displaystyle \nabla_{\theta} L
  5. η学习率：每次调整参数的步长，避免一步迈得太大。
    η≈10−3\displaystyle \eta \approx 10^{-3}

历史意义

回看这段历史，ImageNet 不像某个单一算法那样“灵光一现”，它更像一套制度：好的题库、公平的考试、强劲的算力、敢于加深模型的团队，共同促成了深度学习革命。单独有数据，模型无法训练；单独有模型，没有数据验证；单独有算力，缺少目标。三样东西像齿轮一样咬合，才把 AI 从寒冬推到爆发点。

这种协同关系可以用一个抽象公式表达：

ImageNet 给后人的启示是：真正的革命往往不是某个孤立英雄，而是“数据 + 模型 + 算力 + 评测”组合成一套可复制的路径。今天的大模型时代，依然延续着这个剧本：用更大题库、更强算力、更深模型，去冲击更高分数。

Progress=f(Ndata,dmodel,Ccompute)\displaystyle \text{Progress} = f\left(N_{\text{data}}, d_{\text{model}}, C_{\text{compute}}\right)
与其说这是一个严格公式，不如说它是一张“配方表”：数据、模型、算力三味药缺一不可。
  1. N_data数据规模：训练图片的数量与标注质量。
    Ndata\displaystyle N_{\text{data}}
  2. d_model模型深度：网络的层数或容量，代表方法上限。
    dmodel\displaystyle d_{\text{model}}
  3. C_compute算力资源：GPU 等硬件提供的并行计算能力。
    Ccompute\displaystyle C_{\text{compute}}
  4. 函数 f三者的协同关系，可以被实验反复验证。
    Progress=f(⋅)\displaystyle \text{Progress} = f(\cdot)

AI 应用场景

电商商品识别与以图搜图

阶段：预训练模型微调（迁移学习）

解决的问题：传统图像识别需要每个类别上万张人工标注图，成本高、周期长。AI 先利用 ImageNet 预训练模型学会通用特征，再在目标数据上微调，把样本需求降到几百张。

具体案例：某电商平台要做以图搜商品。工程团队下载 ResNet-50 在 ImageNet 上的预训练权重，用自家 16 万张商品图做分类微调，再提取倒数第二层特征存入向量库。用户上传一张平铺的衣服图，系统能在一秒内返回相似款，新品类上线只需补充几百张图。

医疗影像辅助筛查

阶段：预训练 + 监督微调

解决的问题：医疗标注依赖专家，昂贵且稀少。从零训练一个深度模型通常需要数百万张图，在医疗场景不现实。ImageNet 预训练模型提供了已经学会底层视觉特征的起点，只需要少量医疗影像微调。

具体案例：某医疗 AI 创业公司做眼底照片糖尿病筛查，只有 8000 张标注图。他们用 ImageNet 预训练的 ResNet 做初始化，在眼底图像上微调，几个月内完成模型上线，帮助基层医院做慢性病初筛。

Python 演示

python36 行
import random  def generate_benchmark(n, num_classes=1000, top5_rate=0.8):    """生成一场模拟 ImageNet 小评测：    每张图给出按概率排序的前 5 个预测类。    """    labels = [random.randrange(num_classes) for _ in range(n)]    predictions = []    for label in labels:        other_classes = [c for c in range(num_classes) if c != label]        if random.random() < top5_rate:            predictions.append([label] + random.sample(other_classes, 4))        else:            predictions.append(random.sample(other_classes, 5))    return labels, predictions  def compute_metrics(labels, predictions):    total = len(labels)    top1_correct = sum(        1 for label, preds in zip(labels, predictions) if label == preds[0]    )    top5_correct = sum(        1 for label, preds in zip(labels, predictions) if label in preds[:5]    )    return top1_correct / total, top5_correct / total  if __name__ == "__main__":    random.seed(42)    labels, predictions = generate_benchmark(10000)    top1, top5 = compute_metrics(labels, predictions)    print(f"Top-1 accuracy: {top1:.2%}")    print(f"Top-5 accuracy: {top5:.2%}")    print(f"Top-5 error rate: {1 - top5:.2%}")
目的：用随机数据模拟 ImageNet 评测流程，演示 Top-1 与 Top-5 指标如何计算。
  1. labels = [random.randrange(num_classes) for _ in range(n)]模拟生成 n 张图片的真实类别，相当于标准答案。
  2. other_classes = [c for c in range(num_classes) if c != label]构造除真实类别以外的候选池，避免预测中出现重复答案。
  3. if random.random() < top5_rate:模拟模型有约 80% 概率把真实类别放进前五个预测。
  4. top5_correct = sum(1 for label, preds in zip(...) if label in preds[:5])统计前五名预测中包含真实类别的图片数。
  5. print(f"Top-5 error rate: {1 - top5:.2%}")用 1 减去 Top-5 准确率得到错误率，和 ImageNet 官方口径一致。

常见误区

误区ImageNet 能推动革命，主要因为它图片数量多。数据越多 AI 自然越聪明。

正解数量只是基础，更重要的是组织方式：用 WordNet 分好类、人工确认标注、固定训练/测试划分、统一评测。没有这些，海量图片只是废纸；用考试比喻，题库还要有标准答案和评分规则，才能选拔人才。

为何常见：我们经常听说大数据让模型变强，容易把“规模”当成唯一变量，忽略了标注质量和评测设计。

误区2012 年 AlexNet 是突然冒出来的天才想法，之前没人想到用神经网络。

正解卷积神经网络 1990 年代就有，AlexNet 的真正贡献是把深层网络、ReLU、Dropout、GPU 和大规模数据组合起来，并在 ImageNet 上证明可行。它更像整合了前人经验的尖子生，而不是从石头里蹦出来的孙悟空。

为何常见：媒体喜欢讲英雄故事，把复杂的技术演进浓缩成一个人的灵光一现。

误区ResNet 越深越好，网络层数越多性能一定越强。

正解ResNet 的关键不是“深”，而是残差连接让梯度能跳过一些层流动，缓解了网络加深后的退化问题。没有残差连接，152 层会很难训练；加了残差，深层网络才真正可控。盖楼不是越高越好，得先解决电梯和防震。

为何常见：看到 ResNet 的 152 层和冠军成绩，容易把层数当成可量化的成功密码。

误区ImageNet Top-5 错误率降到 2%，说明 AI 已经跟人一样理解图像了。

正解2% 只是 1000 类分类任务上的数字。模型可能依赖纹理、背景等“捷径”，换一个数据集就露馅；而且 ImageNet 的类别是封闭的，真实世界还有无穷开放类别。考高分不等于真正理解，就像背熟题库不代表融会贯通。

为何常见：基准分数直观且有冲击力，人们习惯把单一指标等同于全面智能。

面试题

Q1. ImageNet 在深度学习革命中最核心的贡献是什么？

单选题 · easy

  • A.提供海量标注图像与统一基准← 正确答案
  • B.提出反向传播训练算法
  • C.通过强化学习训练机器人
  • D.发明卷积神经网络结构

答案：A。ImageNet 的核心贡献是数据规模和统一评测基准。反向传播和卷积神经网络在 ImageNet 之前就存在，强化学习更是另一个方向。它像高考提供了题库和考纲，让不同算法可以被公平比较。

Q2. 为什么 AlexNet 能在 2012 年 ImageNet 上一鸣惊人？

单选题 · mid

  • A.用更深网络自动学特征← 正确答案
  • B.用手工特征加线性分类器
  • C.用更大的手工特征库
  • D.用无监督聚类降低数据需求

答案：A。AlexNet 用 8 层神经网络直接从像素学习特征，而不是依赖手工设计特征。它结合 ReLU、Dropout、GPU 训练和大规模数据，把错误率大幅压低。手工特征和无监督聚类都不是 AlexNet 的标志性突破。

Q3. Top-5 错误率的正确计算方式是？

单选题 · easy

  • A.前五个预测包含正确类即算对← 正确答案
  • B.前五个预测必须完全一致
  • C.只看概率最高那个预测
  • D.平均五个模型的预测结果

答案：A。Top-5 允许模型一次给五个答案，只要真实类别出现在其中就算对。它比只看第一名更宽容，适合考察模型“知识范围”是否覆盖正确类。选项 B、C、D 都不符合官方定义。

Q4. GPU 加速深度学习的根本原因是？

单选题 · mid

  • A.大量并行核心适合矩阵运算← 正确答案
  • B.显存更大可以装下所有图片
  • C.自动完成反向传播算法
  • D.完全不需要 CPU 参与计算

答案：A。深度学习核心是矩阵乘法和卷积，这两种运算都能拆成大量独立小任务。GPU 有上千个并行核心，可以同时处理这些小任务。显存大只是辅助，反向传播仍需程序员实现，GPU 也不可能完全脱离 CPU。

Q5. ResNet 中残差连接的主要作用是？

单选题 · mid

  • A.让梯度更顺畅流过深层网络← 正确答案
  • B.减少每一层的参数数量
  • C.让模型只能在 GPU 上训练
  • D.用池化层替代所有卷积层

答案：A。网络加深后梯度容易消失或退化，残差连接把输入直接加到输出上，让梯度有一条“高速公路”可以回传。它并不显著减少参数量，也不限制硬件，更不会替代卷积层。

Q6. 为什么 ImageNet 预训练模型在小数据任务上表现好？

单选题 · hard

  • A.底层特征通用可迁移微调← 正确答案
  • B.预训练模型会自动生成标注
  • C.小数据集不参与模型更新
  • D.模型参数数量远大于数据量

答案：A。ImageNet 预训练让模型先学会边缘、纹理、形状等通用视觉特征，这些特征在其他视觉任务同样有用。微调时只需要少量目标数据调整高层特征。预训练模型不会自动生成标注，小数据也必须参与更新。

Q7. 2012 年 AlexNet 的冠军 Top-5 错误率与前一年相比发生了什么？

单选题 · easy

  • A.从 25.8% 降到 16.4%← 正确答案
  • B.从 16.4% 降到 11.7%
  • C.从 11.7% 降到 6.7%
  • D.从 28.2% 降到 25.8%

答案：A。ILSVRC 2011 冠军错误率约 25.8%，2012 年 AlexNet 把成绩提升到 16.4%，一次性下降约 9.4 个百分点。这个幅度在当时是飞跃式的，因此被视为深度学习革命的起点。

Q8. 下列哪些是 ImageNet 竞赛成为深度学习革命催化剂的原因？

多选题 · mid

  • A.同一套训练与测试划分← 正确答案
  • B.公开榜单与统一打分← 正确答案
  • C.标准答案由人工标注← 正确答案
  • D.比赛只允许使用 CPU

答案：ABC。ImageNet 竞赛提供了固定数据划分、人工标注标准答案和公开排行榜，让不同模型可以在同一规则下公平竞争。比赛并不限制 CPU，事实上 GPU 正是 AlexNet 的重要武器，因此 D 错误。

Q9. 关于 ImageNet 评测标准的描述，正确的是？

多选题 · hard

  • A.Top-5 允许模型猜五个类← 正确答案
  • B.错误率越低代表分类越准← 正确答案
  • C.公开测试集保证结果可比← 正确答案
  • D.错误率由评委人工判定

答案：ABC。Top-5 评价的是模型前五个预测中是否包含真实类，错误率越低说明分类越准确。公开测试集和相同打分脚本让所有团队的结果可比。打分是自动化计算，不是评委人工判断，因此 D 错误。

Q10. 关于 ImageNet 错误率下降，下列说法正确的是？

多选题 · extreme

  • A.2015 年 ResNet 达到 3.57%← 正确答案
  • B.低错误率不等于真正视觉理解← 正确答案
  • C.模型可能会走捷径← 正确答案
  • D.视觉问题已被完全解决

答案：ABC。2015 年 ResNet 的 Top-5 错误率是 3.57%。但低错误率只代表在封闭的 1000 类任务上表现好，模型可能依赖纹理、背景等捷径，距离真正理解视觉世界还很远，因此视觉问题并未完全解决。