学界 | Fashion-MNIST：替代MNIST手写数字集的图像数据集

机器之心转载

公众号：PaperWeekly

作者：肖涵

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）：

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；

• 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。

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。

点击「阅读原文」获取下载链接

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。

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：

3. 如何载入数据？

使用 Python（需要安装 NumPy）

你可以直接使用 utils/mnist_reader：

使用 Tensorflow

使用其他的语言

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，载入方法获取方式详见文末。

• C
• C++
• Java
• Python
• Scala
• Go
• C#
• NodeJS
• Swift
• R
• Matlab
• Ruby

4. 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 [2]。

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。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 [2] 中被测试过。

5. 数据可视化

t-SNE 在 Fashion-MNIST（左侧）和经典 MNIST 上的可视化（右侧）

PCA 在 Fashion-MNIST（左侧）和经典 MNIST 上的可视化（右侧）

6. 在论文中引用 Fashion-MNIST

如果你在你的研究工作中使用了这个数据集，欢迎你引用这篇论文：

Fashion-MNIST: a Novel Image Dataset for Benchmarking Machine Learning Algorithms. Han Xiao, Kashif Rasul, Roland Vollgraf. arXiv: TBA

这篇论文将在 Mon, 28 Aug 2017 00:00:00 GMT 发表在 arXiv 上。

[1] 经典 MNIST 数据集：

http://yann.lecun.com/exdb/mnist/

[2] 基于 scikit-learn 的评测：

http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/

[3] MNIST 测试代码：

https://gist.github.com/dgrtwo/aaef94ecc6a60cd50322c0054cc04478

欢迎点击「阅读原文」查看数据集完整说明文档和作者论文：

Fashion-MNIST: a Novel Image Dataset for Benchmarking Machine Learning Algorithms

关于作者： 肖涵，德国 Zalando 旗下研究部门资深科学家，德国慕尼黑工业大学计算机博士，研究方向为深度学习在产品搜索中的应用。 关于 PaperWeekly： PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。

本文为机器之心转载，转载请联系本公众号获得授权。