1、 混淆度 (Perplexity) 用来衡量一个语言模型在未见过的的字符串S上的表现。对于一个长度为N的字符串S，语言模型给出概率P(S)，对应的混淆度 (Perplexity)为 2^{-(1/N) log2 P(S)}。其中字符串长度单位可以是字符 (characters) 也可以是单词 (words).

2、 bits-per-character (bpc)，当计算基于字符长度单位的混淆度 (Perplexity)时，Perplexity = 2^bpc.

bpc和ppl值越小越好。

ppl是用在自然语言处理领域（NLP）中，衡量语言模型好坏的指标。它主要是根据每个词来估计一句话出现的概率，并用句子长度作normalize，公式为： S – 当前句子； N – 句子长度； p(wi) – 第i个词的概率 p(wi|w1w2w3…wi-1) – 这个表示基于前i-1个词，计算得出第i个词的概率，但有的语言模型是可以利用双向的，不知道是不是会这样计算：p(wi|w1w2w3…wn) ；

ppl越小，p(wi)则越大，也就是说这句话中每个词的概率较高，说明这句话契合的表较好。

参考：https://stats.stackexchange.com/questions/211858/how-to-compute-bits-per-character-bpc。 有计算公式如下： 论文：《Generating Sequences With Recurrent Neural Networks》中指出：当以每个单词为一个字符计算bpc时，存在， 按照实际计算的话，存在：

推导过程如下： 参考：https://chinesenlp.xyz/zh/docs/language_modeling.html