关于我终于开始学习图像生成文字这件事----模型评价

评测指标

1. BLEU score ：不是一种直观的评价方法，只能大概的指出好还是不好
2. 图像检索：更不是一种直观的评价方法
3. 人工评测：比赛是专家来对模型结果进行打分

BLEU score：

N-gram Math: 是一个N-gram的加权和
gram：是一个词
N-gram：是N个词组成一个向量
指标：Math_items / all items in result
Math_items: N-gram 组成的向量中预测和实际相同的个数
all items in result ：预测向量的词语数

计算完按照权重相加

但是会有个缺陷

1. 如果在1-gram中预测的值都相同但是在实际情况中只出现一次
   其1-gram：5/5 = 1 评价会认为这种情况是完全匹配上的

进行改进：

Min（matched_items,match_items_in_gt)/items in result

Min(匹配成功数量，该值在实际中出现的次数)

Correct 1-gram = 1/5

2. all items in result ：预测向量的词语数 会导致模型倾向于短句
   添加短句惩罚
   
   利用BP来控制评价大小