首先给出准确率(Accuracy)的定义，即预测正确的结果占总样本的百分比。虽然准确率能够判断总的正确率，但是在样 本不均衡的情况下，并不能作为很好的指标来衡量结果。比如在样本集中，正样本有90个，负样本有10个，样本是严重 的不均衡。对于这种情况，我们只需要将全部样本预测为正样本，就能得到90%的准确率，但是完全没有意义。对于新数 据，完全体现不出准确率。因此，在样本不平衡的情况下，得到的高准确率没有任何意义，此时准确率就会失效。我们需 要寻找新的指标来评价模型的优劣。
精确率(Precision)是针对预测结果而言的，其含义是在被所有预测为正的样本中实际为正样本的概率。精确率和准确率 看上去有些类似，但是是两个完全不同的概念。精确率代表对正样本结果中的预测准确程度，准确率则代表整体的预测准 确程度，包括正样本和负样本。
召回率(Recall)是针对原样本而言的，其含义是在实际为正的样本中被预测为正样本的概率，
算法的收敛性就是指某个算法能否在迭代时间趋于无穷的假设下，最终找到问题的全局最优解。这里有一点要明确：算法收敛性 是迭代法中的一个概念，所以主要针对跟迭代相关的算法，如进化算法。对于能够一次求解的直接法，就不在算法收敛的讨论范 围之内了。
仅仅知道算法是收敛的还远远不够，收敛性的结论是建立在无穷迭代时间基础上的，而实际应用中的计算迭代时间是有限的。收 敛性研究只能回答进化算法在迭代无穷次后最终会不会找到全局最优解，而不能回答算法实际究竟要花多长时间（迭代多少次） 才能找到最优解，很难在实践中用于指导算法设计和改进。
算法收敛速度就是指算法需要经过多少次迭代才能得到最优解。很明显，有些算法的收敛性好，有些算法的收敛性差，所谓收敛 性好就是收敛得快，快速收敛的意义就是使用较少的迭代次数便可得到相对精确的值，或者说是在允许的时间内得到满意结果。 因此，能以较快速度收敛于最优解的算法，才能称得上一个好算法。
- TP: 是真阳性样本;
- FP: 是假阳性样本（它不是真的但模型觉得它是真的）;
- FN: 是假阴性样本（它是真的但模型觉得它是假的）
空洞卷积也叫扩张卷积或膨胀卷积，简单来说就是在卷积核元素之间加入一些空格来扩大卷积核的过程。与常规卷积相比具备更大的感受野。
建设以变量a来衡量空洞卷积的扩张系数，则加入空洞之后的实际卷积核尺寸与原始卷积核尺寸之间的关系：K = K + (k-1)(a-1)。其实感受野还有一点比较重要的是，对于一个卷积特征图而言，感受野中每个像素并不是同等重要的，越接近感受野中间的像素相对而言就越重要。
空洞卷积主要有三个作用：
- 扩大感受野。但需要明确一点，池化也可以扩大感受野，但空间分辨率降低了，相比之下，空洞卷积可以在扩大感受野的同时不丢失分辨率，且保持像素的相对空间位置不变。简单而言，空洞卷积可以同时控制感受野和分辨率。
- 获取多尺度上下文信息。当多个带有不同dilation rate的空洞卷积核叠加时，不同的感受野会带来多尺度信息，这对于分割任务是非常重要的。
- 可以降低计算量，不需要引入额外的参数，如上图空洞卷积示意图所示，实际卷积时只有带有红点的元素真正进行计算。