我一直在使用TensorFlow Model Garden在我为图像分类创建的自定义数据集上训练一组模型。现在是评估它们的时候了，我在尝试测量我的网络的前k个精度时遇到了一个问题。这个仓库提供了一个方便的评估脚本，即eval_image_classifier.py，它很好地满足了我的需求。在脚本的末尾，在第165行，定义了评估的指标，我可以在其中添加自己的度量，我在这里已经完成了：

# Define the metrics:
names_to_values, names_to_updates = slim.metrics.aggregate_metric_map({
    'Precision': slim.metrics.streaming_precision(predictions, labels),
    'Accuracy':  slim.metrics.streaming_accuracy(predictions, labels),
    'Recall@5':  slim.metrics.streaming_recall_at_k(logits, labels, 5),
    'Recall@1':  slim.metrics.streaming_recall_at_k(logits, labels, 1)
})

TF-slim度量函数是here，包含许多用于评估网络性能的有用度量。但是，我看不到使用所提供的函数来测量top-k性能的方法。top-k函数的查全率和查准率很接近，但并不完全相同。此外，当研究k时的召回率和精度时，它们似乎最常应用于推荐系统，所以我不确定这些是我所需要的。This article说：
第k点的精度是top-k集中推荐项目的相关比例
和/或
Recall at k是在top-k建议中找到的相关项目的比例
而前k准确度是正确项在前k预测中的次数。对我来说，这些看起来都很相似，我发现很难看出确切的区别是什么，即使在对它们进行研究之后。
那么，如何使用TensorFlow Model Garden来衡量top-k性能呢？top-k的查全率和查准率是我要找的函数吗，还是它们有区别？如果没有，在我正在使用的脚本中实现top-k精度的最佳方法是什么？