Fashion-MNIST：替代MNIST手写数字集的图像数据集

来源： SDK.cn 类型：技术文章发布：2017-08-28 10:35:59

作者丨肖涵

单位丨德国Zalando旗下研究部门资深科学家

学校丨德国慕尼黑工业大学计算机博士

研究方向丨深度学习在产品搜索中的应用

FashionMNIST 是一个替代 MNIST 手写数字集 [1] 的图像数据集。它是由 Zalando（一家德国的时尚科技公司）旗下的研究部门提供。其涵盖了来自 10 种类别的共 7 万个不同商品的正面图片。

FashionMNIST 的大小、格式和训练集/测试集划分与原始的 MNIST 完全一致。60000/10000 的训练测试数据划分，28x28 的灰度图片。你可以直接用它来测试你的机器学习和深度学习算法性能，且不需要改动任何的代码。

这个数据集的样子大致如下（每个类别占三行）：

579-0.jpg.gif

1. 为什么要做这个数据集？

经典的 MNIST 数据集 [1] 包含了大量的手写数字。十几年来，来自机器学习、机器视觉、人工智能、深度学习领域的研究员们把这个数据集作为衡量算法的基准之一。你会在很多的会议，期刊的论文中发现这个数据集的身影。实际上，MNIST数据集已经成为算法作者的必测的数据集之一。有人曾调侃道："如果一个算法在MNIST不work，那么它就根本没法用；而如果它在MNIST上work，它在其他数据上也可能不work"。

Fashion-MNIST 的目的是要成为 MNIST 数据集的一个直接替代品。作为算法作者，你不需要修改任何的代码，就可以直接使用这个数据集。Fashion-MNIST 的图片大小，训练、测试样本数及类别数与经典 MNIST 完全相同。

写给专业的机器学习研究者

我们是认真的。取代 MNIST 数据集的原因由如下几个：

MNIST 太简单了，很多算法在测试集上的性能已经达到 99.6%！不妨看看我们基于 scikit-learn 上的评测 [2] 和这段代码 [3]。大多数 MNIST 只需要一个像素就可以区分开；

MNIST 被用烂了。参考下图，Ian Goodfellow 希望人们不要再用 MNIST 了；

580-0.jpg.png

MNIST 数字识别的任务不代表现代机器学习。如下图，在 MNIST 上的想法没法迁移到真正的机器视觉问题上。

581-0.jpg.png

2. 获取数据

你可以使用以下链接下载这个数据集。Fashion-MNIST 的数据集的存储方式和命名与经典 MNIST 数据集 [1] 完全一致。

名称	描述	样本数量	文件大小	链接
train-images-idx3-ubyte.gz	训练集的图像	60,000	26 MBytes	下载
train-labels-idx1-ubyte.gz	训练集的类别标签	60,000	29 KBytes	下载
t10k-images-idx3-ubyte.gz	测试集的图像	10,000	4.2 MBytes	下载
t10k-labels-idx1-ubyte.gz	测试集的类别标签	10,000	5.0 KBytes	下载

或者，你可以直接克隆这个代码库。数据集就放在 data/fashion 下。这个代码库还包含了一些用于评测和可视化的脚本。

git clone git@github.com:zalandoresearch/fashion-mnist.git

类别标注

每个训练和测试样本都按照以下类别进行了标注：

标注编号	描述
0	T-shirt/top（T恤）
1	Trouser（裤子）
2	Pullover（套衫）
3	Dress（裙子）
4	Coat（外套）
5	Sandal（凉鞋）
6	Shirt（汗衫）
7	Sneaker（运动鞋）
8	Bag（包）
9	Ankle boot（踝靴）

如何载入数据？

使用Python (需要安装numpy)

你可以直接使用utils/mnist_reader：

import mnist_reader
X_train, y_train = mnist_reader.load_mnist('data/fashion', kind='train')
X_test, y_test = mnist_reader.load_mnist('data/fashion', kind='t10k')

使用Tensorflow

from tensorflow.examples.tutorials.mnist import input_data
data = input_data.read_data_sets('data/fashion')

data.train.next_batch(100)

使用其它的语言

作为机器学习领域里最常使用的数据集，人们用各种语言为MNIST开发了很多载入工具。有一些方法需要先解压数据文件。注意，我们并没有测试过所有的载入方法。

评测

我们使用scikit-learn做了一套自动评测系统。它涵盖了除深度学习之外的125种经典机器学习模型（包含不同的参数）。你可以在这里以互动的方式查看结果。

你可以运行benchmark/runner.py对结果进行重现。而我们更推荐的方法是使用Dockerfile打包部署后以Container的方式运行。

我们欢迎你提交自己的模型评测。请使用Github新建一个Issue。不妨先看看如何贡献。如果你提交自己的模型，请先确保这个模型没有在这个列表中被测试过。

算法	预处理	测试集准确率(均值 & 方差)	提交者	参考
2 Conv Layers with max pooling (Keras)	None	0.876	Kashif Rasul	zalando_mnist_cnn
2 Conv Layers with max pooling (Tensorflow) >300 epochs	None	0.916	Tensorflow's doc	convnet
Simple 2 layer convnet <100K parameter	None	0.925	@hardmaru	pytorch_tiny_custom_mnist_adam
GRU+SVM	None	0.888	@AFAgarap	gru_svm_zalando
GRU+SVM with dropout	None	0.855	@AFAgarap	gru_svm_zalando_dropout
WRN40-4 8.9M params	standard preprocessing (mean/std subtraction/division) and augmentation (random crops/horizontal flips)	0.967	@ajbrock	WideResNet & Freezout
DenseNet-BC 768K params	standard preprocessing (mean/std subtraction/division) and augmentation (random crops/horizontal flips)	0.954	@ajbrock	DenseNets & Freezout
MobileNet	augmentation (horizontal flips)	0.950	@苏剑林	Chinese blog post