使用davidsandberg大侠的facenet 代码时， https://github.com/davidsandberg/facenet , 对于训练结果评价，提示类似如下:
Accuracy: 0.99650+-0.00252
Validation rate: 0.98367+-0.00948 @ FAR=0.00100
可以看到有两个评价方法，accracy 和 validation rate。 我对 accracy 和 val rate的计算方式是明白的，但中间的逻辑（为什么要这样算） 有疑问，很长时间都没弄明白..
首先 计算方式如下：
accuracy =（判断正确的 同一个人+ 判断正确的 不同的人） / 所有数据
validation rate = 判断正确的同一个人的数量 / 所有的同一个人 的数量 (这时有个数字 代码写死为0.001，后面细说)
但为什么要有两个指标评价? accuracy不就够了么? 而且貌似val rate比accuracy 更重要，更能反映训练结果的好坏。
开始时，我的训练的结果是acc 90%, val rate 10%， 后来提升到了 acc 98%, val rate 60%
我的疑问/思路，举个例子来说 当acc 90%, val rate 10%时:
设所有数据是100份， 现在我的accuraccy为90%，则 （判断正确 同一个人+ 判断正确 不同的人 ）总和为90人，假设同一人的情况 实际数量为50：10%val则 5个判断对，则判断正确不同的人需要90-5=85个， 50+85>100， 不可能
假设同一人的情况 实际数量为80：10%val则 8个判断对，则判断正确不同的人需要90-8=72个， 80+72>100， 不可能
假设同一人的情况 实际数量为10：10%val则 1个判断对，则判断正确不同的人需要90-1=89个， 10+89约等于100，有可能
而最后一种就是不平衡数据集， 而我的测试集是比较平衡的，不会100组数据中只有10个人左右是相同的 。 问题到底在哪呢?
先看/理解好 知乎这条问题:
https://www.zhihu.com/question/30750849
现在看垂直的这条分界线 也就是我们最后要设定的判断阈值，把交叉的部分分成了假正 假负 两块区域。
现在把 误报率 也就是假正 ，变为很小的0.001，就是要把蓝色的线 移到靠近左边的虚线。(把假正降到很小很小的0.001)
而这时，validtateion rate不高，就说明我们训练的结果 还不够分得开，交叉的地方太大了：假正假负都太多， 我们需要 假正假负都尽量小
如果我们的是模型训练得好（类似下图，交叉的地方很小），误报率 即使设为很低的0.001， val rate也可以高。下图是我们的训练目标， 上图是我们还没训练得足够好的情况。
所以，与不平衡数据集没关系，是我们的网络训练得不够。
那为什么模型训练得不好，accuracy仍可达90%或更高以上呢? 我想像中的，只有达到上图的效果了，accuracy才会达到99%， 实际下图这种情况，也可以达到accuracy99%, validation rate 60%。
另外红线和蓝线，分别就是accuracy和validation rate 的门限值设置方法。也就是为什么有两个评价标准，且val rate比accuracy 更重要，更能反映训练结果的好坏。
