【数据集】常见服装10种类图片数据集 - Fashion MNIST

博主： 16084A
发布时间：2018 年 10 月 01 日
509次浏览
暂无评论
7031字数
分类：笔记智能 | Ai

# 介绍
Fashion-MNIST是一个替代MNIST手写数字集的图像数据集。 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。

Fashion-MNIST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）：

![fashion-mnist-sprite.png](https://www.16084a.com/usr/uploads/2019/12/1743780741.png)

# 为什么要做这个数据集
经典的MNIST数据集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。 很多深度学习算法在测试集上的准确率已经达到99.6%！不妨看看我们基于scikit-learn上对经典机器学习算法的评测 和这段代码： "Most pairs of MNIST digits can be distinguished pretty well by just one pixel"（翻译：大多数MNIST只需要一个像素就可以区分开！）
- MNIST被用烂了。 参考："Ian Goodfellow wants people to move away from mnist"（翻译：Ian Goodfellow希望人们不要再用MNIST了。）
- MNIST数字识别的任务不代表现代机器学习。 参考："François Cholle: Ideas on MNIST do not transfer to real CV" （翻译：在MNIST上看似有效的想法没法迁移到真正的机器视觉问题上。）

# 获取数据
很多的机器学习库已经内置了Fashion-MNIST数据或接口，方便你直接使用。

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数据集完全一致。

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。

```python
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：

```python
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
请确保你已经下载了我们的数据集并把它放到了data/fashion下。不然， Tensorflow会自动下载并使用原始的MNIST。

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

data.train.next_batch(BATCH_SIZE)
```

注意，Tensorflow (master ver.) 支持向read_data_sets函数传入MNIST数据集的地址。你可以使用：

```python
data = input_data.read_data_sets('data/fashion', source_url='http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/')
```

Tensorflow的官网也提供了一份使用高级APItf.keras训练Fashion-MNIST的详细教程，你可以在这里查看它。

# 使用其它机器学习库
截止今日，以下软件库中已内置了对Fashion-MNIST的支持。你只需要按照他们的文档载入Fashion-MNIST即可使用此数据集。

- Apache MXNet Gluon：https://mxnet.incubator.apache.org/api/python/gluon/data.html
- deeplearn.js：https://deeplearnjs.org/demos/model-builder/
- Kaggle：https://www.kaggle.com/zalando-research/fashionmnist
- Pytorch：http://pytorch.org/docs/master/torchvision/datasets.html#fashion-mnist
- Keras：https://keras.io/datasets/#fashion-mnist-database-of-fashion-articles
- Edward：http://edwardlib.org/api/observations/fashion_mnist
- Tensorflow：https://www.tensorflow.org/versions/r1.5/api_docs/python/tf/keras/datasets/fashion_mnist
- Torch：https://github.com/mingloo/fashion-mnist
- JuliaML：https://github.com/JuliaML/MLDatasets.jl
- Chainer (latest)：https://docs.chainer.org/en/latest/reference/generated/chainer.datasets.get_fashion_mnist.html?highlight=fashion-mnist

# 基准测试
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129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。
查看结果：http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/

![benchmark.gif](https://www.16084a.com/usr/uploads/2019/12/69482329.gif)

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。

*更多测试结果可以查看：*
https://github.com/zalandoresearch/fashion-mnist

# 更多在Fashion-MNIST上的探索和尝试
- *Fashion-MNIST: 年度总结*
https://hanxiao.io/2018/09/28/Fashion-MNIST-Year-In-Review/
在Google Scholar中查看引用Fashion-MNIST的论文

###生成对抗网络 (GANs)

Tensorflow implementation of various GANs and VAEs. (推荐阅读！ 注意不同GANs的算法在Fashion-MNIST上生成的样本明显不同，而这点在经典的MNIST数据集上是观察不到的。)
- *Make a ghost wardrobe using DCGAN*
https://twitter.com/spaceLenny/status/901488938023403520
- *fashion-mnist的gan玩具*
http://kexue.fm/archives/4540/
*CGAN output after 5000 steps
https://github.com/a7b23/Conditional-GAN-using-tensorflow-slim
- *live demo of Generative Adversarial Network model with deeplearn.js*
http://cognitivechaos.com/playground/fashion-gan/
- *GAN Playground - Explore Generative Adversarial Nets in your Browser*
https://reiinakano.github.io/gan-playground/

### 聚类
- *Xifeng Guo's implementation of Unsupervised Deep Embedding for Clustering Analysis (DEC)*
http://proceedings.mlr.press/v48/xieb16.pdf

- *Leland McInnes's Uniform Manifold Approximation and Projection (UMAP)*
https://github.com/lmcinnes/umap

# 视频教程
- Machine Learning Meets Fashion by Yufeng G @ Google Cloud：https://youtu.be/RJudqel8DVA
- Machine Learning Meets Fashion：https://youtu.be/FloMHMOU5Bs
- Introduction to Kaggle Kernels by Yufeng G @ Google Cloud：https://youtu.be/kGktiYF5upk
- Introduction to Kaggle Kernels：https://youtu.be/H66GDuLsGl4

# 数据可视化

## t-SNE在Fashion-MNIST(上)和经典MNIST上的可视化(下)

![t-SNE在Fashion-MNIST.png](https://www.16084a.com/usr/uploads/2019/12/2418155268.png)

![经典MNIST上的可视化.png](https://www.16084a.com/usr/uploads/2019/12/3192272953.png)

## PCA在Fashion-MNIST(上)和经典MNIST上的可视化(下)

![PCA在Fashion-MNIST.png](https://www.16084a.com/usr/uploads/2019/12/3809119741.png)

![经典MNIST上的可视化2.png](https://www.16084a.com/usr/uploads/2019/12/1890658784.png)

## UMAP在Fashion-MNIST(上)和经典MNIST上的可视化(下)

![UMAP在Fashion-MNIST.png](https://www.16084a.com/usr/uploads/2019/12/2841486909.png)

![经典MNIST上的可视化3.png](https://www.16084a.com/usr/uploads/2019/12/640887210.png)

来源：https://github.com/zalandoresearch/fashion-mnist

作者：https://hanxiao.io/about/

最后修改：2019 年 12 月 16 日 01 : 16 PM

文章有用，请随意赞赏

发表评论取消回复

评论 *

私密评论

名称 *

邮箱 *

地址

【数据集】常见服装10种类图片数据集 - Fashion MNIST

16084A • 2018 年 10 月 01 日