Machine learning 在计算机视觉和机器学习文献中，一个特定的数据集是图像分类的基准

每当我阅读有关dataset的文章（如MNIST和CIFAR 10）时，我大多会发现这样的语句：

CIFAR-10是计算机视觉和机器学习文献中图像分类的标准基准数据集。

如果特别是，我将讨论卷积神经网络（深度学习），那么，根据知识，网络结构的准确性取决于所使用的数据集

我真的对我上面所说的话感到困惑

这句话到底是什么意思

如果有人能给我举一个真实的例子，请提前感谢。

在这种情况下，“基准测试”的定义是：

在计算中，基准是运行一个计算机程序、一组程序或其他操作，以评估对象的相对性能的行为，通常通过对其运行一些标准测试和试验

在计算机视觉领域，一些研究人员致力于改进基准数据集上的图像分类性能。有许多基准数据集，例如MNIST、CIFAR-10、ImageNet。基准数据集的存在意味着研究人员可以更容易地比较他们提出的方法与现有方法的性能。研究人员知道（一般来说）每个在该数据集上对其方法进行基准测试的人都可以访问相同的输入数据

在某些情况下，数据集提供商会在其基准数据集上保留一个最佳性能结果排行榜。例如，ImageNet记录了每年提交给基准测试竞赛的方法的性能。下面是一个例子

---

如果你觉得这是一个愚蠢的问题，那么就回答它。不要投反对票。恐怕这不是它的工作原理。如果用户发现某个问题没有用处或缺乏研究，他们可以自由地匿名否决该问题。考虑把它们作为一个提示来改进这个问题。特别是，您的问题集中在机器学习上，与编程并没有直接关系，这使它脱离了这里的主题。您可能会发现或更适合这些问题。@E_net4。。。事实上，我也参与了深度学习，在做任何研究时，你都应该对我所要求的基本问题有清晰的认识。如果有人不知道为什么我们需要数据集作为基准，我们如何用我们的神经网络解释它，网络是否特定于数据集，我们是否可以使用在基准数据集上提供良好精度的网络来训练其他数据集……我不是在质疑从事深度学习的数据科学家是否应该知道这一点。我只是说你的问题在这里不合适。回答离题问题是不行的。我知道@MitchWheat，基准是指参考点。所以，我可以说，基准测试是用来比较两个网络体系结构的“基准数据集”。但在现实生活中，并非每个人都会训练cifar10数据集。每个人都有自己的数据集来训练他们的项目或开发。如果我有两个CNN模型，假设m1和m2。对于CIFAR10数据集，m1比m2具有更好的精度。这并不意味着对于我的数据集，m1也会给出很好的准确性。所以，我对这个有点困惑。