Fashion-MNIST 是机器学习和深度学习领域中广泛使用的基准数据集。它包含 70,000 张服装产品的灰度图像，每张图像尺寸为 28×28 像素，分为 60,000 张训练图像和 10,000 张测试图像。该数据集由 Zalando Research 于 2017 年创建，旨在作为原始 MNIST 手写数字数据集的更具挑战性和现实性的替代品，因为 MNIST 已被高分类准确率所饱和。Fashion-MNIST 用于测试神经网络模型区分十种不同服装类别的能力，使其成为评估图像分类算法的标准工具。
数据集的十个类别包括：T 恤/上衣、裤子、套头衫、连衣裙、外套、凉鞋、衬衫、运动鞋、包袋和短靴。每张图像都是一张居中的、低分辨率的灰度照片，包含一些背景噪声，比 MNIST 中干净、居中的数字更接近现实条件。由于图像较小且数据集规模适中，Fashion-MNIST 的计算成本较低，便于训练，同时其难度足以区分不同架构和超参数设置的模型。
历史与动机
Fashion-MNIST 由 Zalando Research 的研究人员 Han Xiao、Kashif Rasul 和 Roland Vollgraf 在 2017 年的一篇论文中提出。主要动机是原始 MNIST 数据集（由 Yann LeCun、Corinna Cortes 和 Christopher Burges 于 1998 年发布）对现代分类器来说过于简单，许多模型已达到超过 99% 的准确率，难以区分算法改进的细微差别。作者旨在创建一个保持 MNIST 相同格式和复杂性（28×28 灰度图像、10 个类别、相同的训练/测试划分）但视觉识别任务更具挑战性的数据集。
图像来源于 Zalando 的商品目录，将产品照片转换为灰度、调整大小并裁剪至居中。该数据集以 MIT 许可证发布，允许在学术和商业应用中自由使用。自发布以来，Fashion-MNIST 已成为机器学习研究中最常被引用的数据集之一，数千篇论文使用它来基准测试卷积神经网络、支持向量机和其他分类器。
数据集特征
Fashion-MNIST 中的每张图像都是一个 28×28 的像素数组，像素值范围从 0（黑色）到 255（白色）。图像存储格式与原始 MNIST 相同，因此可以轻松地在现有代码库中替换使用。训练集包含每个类别 6,000 张图像，测试集包含每个类别 1,000 张图像，确保十个类别之间的平衡表示。
数据集的一个显著特征是类别内的变异性。例如，“衬衫”类别包含短袖和长袖衬衫，“包袋”类别包含手提包、背包和手拿包。这种变异性迫使模型学习更鲁棒的特征，而不是依赖简单的像素模式。此外，某些类别之间视觉上相似，例如套头衫、外套和衬衫，这增加了分类任务的难度，相较于 MNIST 中截然不同的数字形状。
在机器学习研究中的应用
Fashion-MNIST 通常用作评估新神经网络架构、优化技术和正则化方法的基准数据集。由于数据集足够小，可以在几分钟内于单个 GPU 上完成训练，研究人员可以快速迭代。它也常用于教学环境，教授深度学习概念，因为它比手写数字提供了更有趣的视觉任务，同时对学生来说仍然易于管理。
Fashion-MNIST 上的典型基准结果显示，调整良好的卷积神经网络可以达到约 93-95% 的准确率，而简单的逻辑回归模型约为 85%。这一差距凸显了深度学习方法在此任务上的优势。该数据集还用于测试迁移学习、数据增强技术和对抗鲁棒性，因为其图像比 MNIST 更复杂，但仍足够简单以进行受控实验。
与原始 MNIST 的比较
原始 MNIST 数据集包含来自美国人口普查局员工和高中学生的 0 到 9 手写数字。虽然 MNIST 已基本被解决，许多模型准确率超过 99.5%，但 Fashion-MNIST 的顶级准确率通常在 96-97% 左右，留下了更多改进空间。时尚图像包含更多的边缘复杂性和纹理变化，使其成为现实世界计算机视觉任务（如电子商务中的产品识别）更好的代理。
另一个区别是数据来源。MNIST 数字是手动书写和扫描的，而 Fashion-MNIST 图像来自专业产品照片，包含光照变化和背景元素。这使得 Fashion-MNIST 更贴近实际应用，同时保留了低分辨率和简单格式，便于可视化和处理。
局限性与扩展
尽管 Fashion-MNIST 广受欢迎，但它也有局限性。28×28 的分辨率对于细粒度分类来说过低，灰度格式丢弃了现实世界时尚识别中可能有用的颜色信息。一些研究人员批评该数据集相对于 CIFAR-10 或 ImageNet 等现代基准过于简单，后者包含更高分辨率和更多类别的自然图像。尽管如此，Fashion-MNIST 仍然是快速原型设计和教学目的的有价值工具。
数据集的扩展包括添加噪声、旋转或对抗扰动的变体，用于测试模型的鲁棒性。一些工作还将 Fashion-MNIST 与其他数据集结合，创建多任务学习基准。数据集的简单性和清晰标注使其成为研究人员在扩展到更复杂数据集之前探索人工智能新思想的可靠起点。
影响与遗产
Fashion-MNIST 对机器学习社区产生了重大影响，提供了一个标准化、易访问的基准，弥合了玩具问题与现实世界应用之间的差距。它已被集成到 TensorFlow、PyTorch 和 Keras 等主要深度学习库中，用户可以通过一行代码加载数据集。其广泛采用使其成为入门计算机视觉课程和评估新提出模型的事实标准。
数据集的创建者还提供了详细的技术报告和 GitHub 代码库，包含加载和可视化数据的工具，促进了其快速采用。截至 2020 年代初，Fashion-MNIST 每年仍被数百篇研究论文引用，并且仍然是低分辨率图像分类领域开发算法的推荐基准。