image retrieval的Recall@k

模型会按照评分的从高到低，挑选K个回答。如果正确的回答在这K个当中，我们就认为这条测试样本预测正确。显然，K越大，事情越简单。

首先，对于单一个查询图片，在系统中搜索它的k个最近邻的图片，如果返回的k张图片中有至少一张图片和查询图片属于同一个类，则该次查询的score记为1，否则记为0。Recall@k则是测试集中所有查询图片score的平均.

from bottleneck import argpartition

def evaluate_emb(emb, labels):
    """Evaluate embeddings based on Recall@k."""
    d_mat = get_distance_matrix(emb)  # N*N 距离矩阵
    d_mat = d_mat.asnumpy()
    labels = labels.asnumpy()

    names = []
    accs = []
    for k in [1, 2, 4, 8, 16]:
        names.append('Recall@%d' % k)
        correct, cnt = 0.0, 0.0
        for i in range(emb.shape[0]):
            d_mat[i, i] = 1e10
            nns = argpartition(d_mat[i], k)[:k]  # 获取k近邻的index
            if any(labels[i] == labels[nn] for nn in nns):
                correct += 1
            cnt += 1
        accs.append(correct/cnt)
    return names, accs