如果你想使用现在最火的ChatGPT来训练属于你的专属ChatGPT模型，那你千万不能错过这篇文章。迁移学习是机器学习领域中的一种重要方法，它通过利用先前的学习经验来提高当前任务的性能。本文通过3个经典的模型：InceptionV3-RestNet50-VGG16作为示例，为大家从0开始搭建了医疗影像行业迁移学习网络，并获取到了较好的准确度与结果一致性。而掌握好迁移学习的基础知识和应用，你就能通过**模型微调（也称迁移学习）**，调用ChatGPT接口加上你的训练集去训练你的模型了。

如果你想使用现在最火的ChatGPT来训练属于你的专属ChatGPT模型，那你千万不能错过这篇文章。迁移学习是机器学习领域中的一种重要方法，它通过利用先前的学习经验来提高当前任务的性能。本文通过3个经典的模型：InceptionV3-RestNet50-VGG16作为示例，为大家从0开始搭建了医疗影像行业迁移学习网络，并获取到了较好的准确度与结果一致性。而掌握好迁移学习的基础知识和应用，你就能通过**模型微调（也称迁移学习）**，调用ChatGPT接口加上你的训练集去训练你的模型了。

如果你想使用现在最火的ChatGPT来训练属于你的专属ChatGPT模型，那你千万不能错过这篇文章。迁移学习是机器学习领域中的一种重要方法，它通过利用先前的学习经验来提高当前任务的性能。本文通过3个经典的模型：InceptionV3-RestNet50-VGG16作为示例，为大家从0开始搭建了医疗影像行业迁移学习网络，并获取到了较好的准确度与结果一致性。而掌握好迁移学习的基础知识和应用，你就能通过**模型微调（也称迁移学习）**，调用ChatGPT接口加上你的训练集去训练你的模型了。

2022对于我个人和大家来说，都是值得记录的一年。在2022年5月到10月这5个月，我经历自己的低谷，见到了自己的愚昧。在这里我分享下所见所思所感：一个人是不是在生活艰难的情况下就必然有所成就呢？当然也不是。大部分人其实会被人生的艰难压垮，有时候可能是因为过度疲劳，比如有的人

2022对于我个人和大家来说，都是值得记录的一年。在2022年5月到10月这5个月，我经历自己的低谷，见到了自己的愚昧。在这里我分享下所见所思所感：一个人是不是在生活艰难的情况下就必然有所成就呢？当然也不是。大部分人其实会被人生的艰难压垮，有时候可能是因为过度疲劳，比如有的人

2022对于我个人和大家来说，都是值得记录的一年。在2022年5月到10月这5个月，我经历自己的低谷，见到了自己的愚昧。在这里我分享下所见所思所感：一个人是不是在生活艰难的情况下就必然有所成就呢？当然也不是。大部分人其实会被人生的艰难压垮，有时候可能是因为过度疲劳，比如有的人

2022对于我个人和大家来说，都是值得记录的一年。在2022年5月到10月这5个月，我经历自己的低谷，见到了自己的愚昧。在这里我分享下所见所思所感：一个人是不是在生活艰难的情况下就必然有所成就呢？当然也不是。大部分人其实会被人生的艰难压垮，有时候可能是因为过度疲劳，比如有的人

编者按：在OpenHarmony生态发展过程中，涌现了大批优秀的代码贡献者，本专题旨在表彰贡献、分享经验，文中内容来自嘉宾访谈，不代表OpenHarmony工作委员会观点。 李俊刚深圳开鸿数字产业发展有限公司资深OS驱动开发工程师 开源之风盛行，有人站在门口跃跃欲试，有人已经进场大展身手。OpenAtomOpenHarmony（简称“OpenHarmony”）吸引了不少开发者和合作伙伴，各行各业的开发者投身其中，全方位地面向OpenHarmony社区进行开源贡献，李俊刚便是其中的一位。李俊刚是深圳市开鸿数字产业发展有限公司的一名OS驱动开发工程师，自今年1月加入OpenHarmony生态以来，

编者按：在OpenHarmony生态发展过程中，涌现了大批优秀的代码贡献者，本专题旨在表彰贡献、分享经验，文中内容来自嘉宾访谈，不代表OpenHarmony工作委员会观点。 李俊刚深圳开鸿数字产业发展有限公司资深OS驱动开发工程师 开源之风盛行，有人站在门口跃跃欲试，有人已经进场大展身手。OpenAtomOpenHarmony（简称“OpenHarmony”）吸引了不少开发者和合作伙伴，各行各业的开发者投身其中，全方位地面向OpenHarmony社区进行开源贡献，李俊刚便是其中的一位。李俊刚是深圳市开鸿数字产业发展有限公司的一名OS驱动开发工程师，自今年1月加入OpenHarmony生态以来，

目录目录目录前言一，精确率、召回率与F11.1，准确率1.2，精确率、召回率1.3，F1分数1.4，PR曲线1.4.1，如何理解P-R曲线1.5，ROC曲线与AUC面积二，AP与mAP2.1，AP与mAP指标理解2.2，近似计算AP2.3，插值计算AP2.4，mAP计算方法三，目标检测度量标准汇总四，参考资料前言为了了解模型的泛化能力，即判断模型的好坏，我们需要用某个指标来衡量，有了评价指标，就可以对比不同模型的优劣，并通过这个指标来进一步调参优化模型。对于分类和回归两类监督模型，分别有各自的评判标准。不同的问题和不同的数据集都会有不同的模型评价指标，比如分类问题，数据集类别平衡的情况下可以使