《CVPR2025-DEIM创新改进项目实战：从原理到部署的深度学习优化全攻略》015、DEIM模型评估：Top-1/Top-5准确率、FLOPs与参数量计算

DEIM模型评估：Top-1/Top-5准确率、FLOPs与参数量计算一、从一次翻车现场说起上周五晚上十一点，我盯着终端里跳出的数字发呆——DEIM模型在ImageNet验证集上的Top-1准确率只有72.3%，比论文宣称的74.1%低了将近两个点。更诡异的是，参数量计算出来是28.7M，而论文里写的是26.3M。当时第一反应是“代码写错了”，但检查了三遍前向传播逻辑，没发现明显bug。后来发现，问题出在评估流程里一个极其隐蔽的细节：我用的预处理流水线里，Normalize的mean和std参数是从PyTorch官方ImageNet预训练模型抄来的，但DEIM论文里用的是自己统计的数据集均值。这种“抄作业抄错版本”的坑，在复现论文时太常见了。今天这篇笔记，就把DEIM模型评估中三个最容易被忽视的环节——准确率计算、FLOPs统计、参数量核对——的实操经验拆开揉碎讲清楚。不扯理论，只讲你跑代码时真正会撞上的墙。二、Top-1/Top-5准确率：别被“平均”骗了2.1 标准实现里的隐藏陷阱DEIM模型的输出是一个[batch_size, num_classes]的logits矩阵。计算Top-1准确率时，大多数人会这么写：# 别这样写——直接取argmax然后比较_