替代 MNIST 手写数字集的图像数据集 Fashion-MNIST

MIT
Python
跨平台
2017-08-29
王练

FashionMNIST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。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):



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

加载中

评论(0)

暂无评论

暂无资讯

暂无问答

深度有趣 | 06 变分自编码器

简介 变分自编码器(Variational Autoencoder,VAE)是生成式模型(Generative Model)的一种,另一种常见的生成式模型是生成式对抗网络(Generative Adversarial Network,GAN) 这里我们介...

09/20 20:03
15
0
深度学习入门笔记系列 ( 五 )

基于 tensorflow 的手写数字的识别(简单版本) 本系列将分为 8 篇 。本次为第 5 篇 ,结合上一篇的应用实例 ,将前边学到一些基础知识用到手写数字的识别分类上 。 1.关于 MNIST 数据集 首先...

08/07 14:01
4
0
TensorFlow笔记学习(五)—— 全连接网络基础

MNIST数据集输出手写数字识别准确率 大纲 5.1 MNIST数据集 5.2 模块化搭建神经网络 5.3 手写数字识别准确率输出 目标 利用MNIST数据集巩固模块化搭建神经网路的八股,实践前向传播和反向传播...

07/30 11:32
54
0
学习笔记TF056:TensorFlow MNIST,数据集、分类、可视化

MNIST(Mixed National Institute of Standards and Technology)http://yann.lecun.com/exdb/mnist/ ,入门级计算机视觉数据集,美国中学生手写数字。训练集6万张图片,测试集1万张图片。数字...

2017/11/03 21:23
11
0
【AI实战】训练第一个AI模型:MNIST手写数字识别模型

在上篇文章中,我们已经把AI的基础环境搭建好了(见文章:Ubuntu + conda + tensorflow + GPU + pycharm搭建AI基础环境),接下来将基于tensorflow训练第一个AI模型:MNIST手写数字识别模型。...

08/11 00:41
902
0
利用卷积神经网络识别mnist手写数字

利用卷积神经网络识别mnist手写数字 TensorFlow CNN

05/28 18:20
3.6K
0
tensorflow研究资料

##tensorflow学习课程 https://developers.google.com/machine-learning/crash-course/ml-intro ##TensorFlow 如何入门,如何快速学习? https://www.zhihu.com/question/49909565 ##最初的资...

11/23 17:28
14
0
使用pycaffe进行mnist手写数字识别

使用pycaffe学习caffe入门教程

01/30 16:33
198
0
Tensorflow学习笔记2——MNIST手记识别

MNIST手写体识别任务 下面我们介绍一个神经网络中的经典示例,MNIST手写体识别。这个任务相当于是机器学习中的HelloWorld程序。 MNIST数据集介绍 MNIST是一个简单的图片数据集(数据集下载地...

2016/10/31 11:22
407
0

没有更多内容

加载失败,请刷新页面

返回顶部
顶部