共计 1244 个字符，预计需要花费 4 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=8493
在许多介绍图像识别工作的介绍中，通常应用着名的 MNIST 数据集。然而，这些数据存在一些问题：
1. 太简略了。例如，一个简略的 MLP 模型能够达到 99%的准确度，而一个 2 层 CNN 能够达到 99%的准确度。
2. 它被适度应用。从字面上看，每台机器学习入门文章或图像识别工作都将应用此数据集作为基准。然而，因为取得近乎完满的分类后果非常容易，所以它的实用性会受到打折，并且对于古代机器学习 / AI 工作并不真正有用。
因而，呈现 Fashion-MNIST 数据集。该数据集是作为 MNIST 数据的间接代替而开发的，其意义在于：
1. 尺寸和格调雷同：28×28 灰度图像
2. 每个图像与 10 个类中的 1 个相关联，即：
0：T 恤 / 上衣，
1：裤子，
2：套头衫，
3：连衣裙，
4：外套，
5：凉鞋，
6：衬衫，
7：运动鞋，
8：背包，
9：脚靴
3. 60000 训练样本和 10000 个测试样本以下是一些样本的快照：
自从它呈现以来，曾经有多份提交文件来对这些数据进行基准测试，其中一些可能达到 95%以上的准确度。
我也试图用 keras 来对这个数据进行基准测试。keras 是构建深度学习模型的高级框架，在后端抉择 TensorFlow，Theano 和 CNTK。它很容易装置和应用。对于我的应用程序，我应用了 CNTK 后端。
在这里，我将以两个模型为基准。一种是层构造为 256-512-100-10 的 MLP，另一种是类 VGG 的 CNN。
第一个模型在 100 个历元后的测试数据上达到了 [0.89，0.90] 的精度，而后者达到了 45 个期间后的测试数据的精度 > 0.94。
咱们先用 tSNE 来看它。据说 tSNE 是最无效的尺寸放大工具。
我应用了 1000 个样本来疾速运行。如果您的 PC 速度足够快并且有工夫，则能够针对残缺数据集运行 tSNE。
咱们看到，包含品质大小，底部决裂和对称性等几个特色将类别离开。
为了建设本人的网络，咱们首先导入一些库
该模型在大概 100 个期间的测试数据集上达到了近 90%的准确度。当初，咱们来构建一个相似 VGG 的 CNN 模型。咱们应用相似于 VGG 的体系结构，但依然十分不同。因为图形数据很小，如果咱们应用原始 VGG 体系结构，它很可能会适度配合，并且在测试数据时体现不佳，这些数据在下面列出的公开提交的基准测试中察看到。在 keras 中构建这样一个模型是十分天然和容易的：
这个模型有 150 万个参数。咱们能够调用 ’fit’ 办法来训练模型：
model3_fit=model3.fit(X_train, Y_train2, validation_data = (X_test, Y_test2), epochs=50, verbose=1, batch_size=500)通过 40 次当前，这个模型在测试数据上取得了 0.94 的精度。显然，这个模型也存在适度拟合问题。咱们稍后会解决这个问题。
