Kuzushiji-MNIST（KMNIST）是一个包含70,000张28x28像素灰度图像的日本平假名字符手写数据集。它被创建为经典MNIST数据集（包含手写数字）的一个更具挑战性的替代品。KMNIST旨在作为机器学习基准测试中MNIST的直接替代品，使研究人员能够在结构相似但视觉复杂性更高（由于平假名的草书性质）的任务上测试模型。
该数据集由东京大学的一个研究团队于2018年推出，成员包括Tarin Clanuwat、Mikel Bober-Irizar、Asanobu Kitamoto和Alex Lamb。它源自Kuzushiji数据集，该数据集包含超过140,000张日本古典文学图像。KMNIST子集专注于10个平假名字符，每个字符由7,000张图像（6,000张用于训练，1,000张用于测试）表示，完全镜像了MNIST的划分方式。
数据集结构
KMNIST遵循与MNIST相同的格式：每张图像是一个28x28像素的灰度数组，像素值范围从0到255。数据集分为60,000张训练图像和10,000张测试图像。包含的10个字符是：'o'、'ki'、'su'、'tsu'、'na'、'ha'、'ma'、'ya'、're'和'wo'。这些字符被选中是因为它们在原始Kuzushiji数据集中最为常见，并且提供了一个平衡的分类挑战。
创建者有意避免使用与MNIST数字相同的字符，确保在KMNIST上训练的模型不能简单地从数字识别中转移学习到的特征。平假名字符具有更复杂的笔画模式和曲率，这使得传统机器学习模型的任务更加困难。
基准测试与性能
KMNIST已成为Machine learning社区的标准基准，特别是在评估Neural network架构方面。在原始MNIST上，许多模型能达到超过99%的准确率，但KMNIST明显更难。例如，一个简单的Residual Network (ResNet)在MNIST上可能达到约99%的准确率，但在KMNIST上仅约为95%。这使得KMNIST在区分那些在简单任务上表现良好的模型和那些能泛化到更复杂模式的模型时非常有用。
研究人员已使用KMNIST测试各种技术，包括Data Augmentation、Dropout和Batch Normalization。该数据集也包含在PyTorch和TensorFlow等流行的机器学习库中，使其易于集成到现有流程中。
相关数据集
KMNIST是MNIST类数据集家族的一部分，包括Fashion-MNIST（服装物品）和EMNIST（字母和数字）。这些数据集共享相同的图像格式和划分方式，允许在不同领域直接比较模型性能。KMNIST的独特之处在于它专注于非拉丁文字，提供了其他数据集所不具备的文化和语言挑战。
KMNIST所源自的原始Kuzushiji数据集包含超过4,000个不同字符，用于历史文献分析。KMNIST将其简化为一个10类问题，使其适用于教育目的和快速实验。
应用与影响
KMNIST已被广泛采用于Deep learning研究和教育中。它常用于入门课程中教授Convolutional neural network设计，因为它比MNIST需要更复杂的架构。该数据集也被用于Transfer learning和领域适应的研究，其中在MNIST上预训练的模型在KMNIST上进行微调。
除了基准测试之外，KMNIST还促进了日本文化遗产的保存和研究。通过使古典平假名字符以机器可读格式可访问，它能够对历史文献进行自动化分析，这对历史学家和语言学家很有价值。
局限性与未来方向
尽管KMNIST具有实用性，但它也有局限性。这10个字符仅代表完整平假名音节的一小部分，并且图像经过预处理以匹配MNIST的格式，这可能会丢失一些原始笔画信息。此外，与现代大规模数据集相比，该数据集相对较小，这可能限制其在训练非常深的模型时的使用。
未来的工作可能涉及扩展KMNIST以包含更多字符，或创建具有不同预处理的变体。截至2025年，KMNIST仍然是标准基准，但研究人员正越来越多地转向CIFAR-10或ImageNet等更复杂的数据集来评估最先进的模型。尽管如此，KMNIST继续作为快速原型设计和教育目的的宝贵工具。