连LeCun都推荐的Fashion-MNIST数据集，是这位华人博士的成果

允中 发自 凹非寺 量子位 报道 | 公众号 QbitAI

上周六，量子位在报道中提到德国时尚圈的科学家，推出一个名叫Fashion-MNIST的数据集。这个数据集里都是衣裤鞋包，但它的目标是替代MNIST。

随后我们发现这个数据集引发了好多研究人员的关注，包括大名鼎鼎的Yann LeCun——他周日在Facebook上推荐了这个数据集，也引发了很多的讨论。

更令我们意外的是，量子位周日收到了Fashion-MNIST数据集作者的来信，而且是一封中文来信！嗯，就是那种阅读起来毫无压力的纯正简体中文~

直到这个时候，我们才意识到这个最近非常火的数据集，虽然出自一家德国公司，但是主要的作者是一位华人：肖涵（Han Xiao）。

“这个项目是为机器学习人工智能领域提供一个更有挑战性、更有趣的MNIST替代数据集”，肖涵博士再次谈到这个项目的意义。

对于这个数据集的表现，他提到：“我也收到了很多国内AI研究员良好的使用体验，他们表示在MNIST上区分不开的算法(0.1%之差)可以在Fashion-MNIST上很好的区分开来。”

最重要的是，肖涵博士告诉量子位，他已经在GitHub上为这个数据集增加了中文文档（README.zh-CN.md）。本文最后，量子位也会摘录部分其中的内容。另外，通过这个地址即可前往访问Fashion-MNIST数据集的更多详情：

github.com/zalandoresearch/fashion-mnist

关于肖涵博士，量子位也简单的查询了一下相关背景。他目前是德国公司Zalando旗下研究院NLP组的高级研究科学家。肖涵在慕尼黑工业大学获得硕士及博士学位，此前本科毕业于北京邮电大学。（下面放一张真人秀）

△ 肖涵博士

最后，我们摘录Fashion-MNIST的中文文档部分内容如下。

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。

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。）

其他

文档中还详尽描述了数据获取、类别标注、如何载入数据、评测等信息，另外作者还建立了一个讨论的聊天室。

目前相关论文已经在arXiv上发表，地址在此：

https://arxiv.org/abs/1708.07747

在量子位微信公众号（QbitAI）后台回复：“XH”两个字母，也可以获得我们放在网盘上的下载地址，就酱~