MNIST数据库（修改版美国国家标准与技术研究院数据库）是手写数字图像的大型集合，常用于训练和测试图像处理及机器学习系统。它通过重新混合原始NIST数据集中的样本创建，旨在解决NIST训练数据（来自美国人口普查局员工）和测试数据（来自美国高中生）的局限性，这些数据不适合机器学习实验。黑白图像被归一化为28x28像素的边界框，并进行了抗锯齿处理，引入了灰度级别。
MNIST包含60,000张训练图像和10,000张测试图像，每个集合的一半来自NIST的训练数据，另一半来自其测试数据。创建者维护了一份在该数据集上测试过的方法列表，其原始论文报告了使用支持向量机时的0.8%错误率。原始MNIST数据集包含至少四个错误标签，这是一个众所周知的怪癖。
前身与起源
在MNIST之前，USPS数据库（1988年）提供了来自美国邮件上手写邮政编码的较小数字数据集。它包含16x16灰度图像，有7,291张训练图像和2,007张测试图像，总计9,298张。该数据集包含模糊和错误分类的样本，且具有挑战性，人类错误率平均为2.5%。它被用于训练早期的1989年LeNet架构。
在1980年代末，人口普查局寻求自动化手写表格数字化，聘请了NIST的图像识别小组来评估OCR系统。他们的工作产生了几个特殊数据库：SD-1（1990年）、SD-3（1992年）和SD-7（1992年）。这些数据库基于手写样本表格（HSF）构建，以300 dpi扫描，包含姓名、数字和字母的各种字段。SD-3包含128x128二值图像的分段字母数字，包括223,125个数字，源自人口普查工作人员。SD-7是测试集，有来自500名高中生的58,646张图像，人类错误率为1.5%。值得注意的是，SD-3更干净且更容易，但在SD-3上训练的机器学习系统在SD-7上的性能下降至约-10%的错误率，突显了分布偏移。
1992年NIST竞赛使用SD-3作为训练数据，SD-7作为测试集，有来自26家公司的45种算法。获胜条目使用了专有训练集，而SD-3训练系统中表现最好的是具有不变度量的最近邻分类器。SD-19（1995年）结合了几个特殊数据库，包含814,255张图像。
MNIST的创建
在1994年夏天之前的某个时候，MNIST由SD-3和SD-7构建而成。创建者将SD-7的图像分为训练集和测试集，每个来自250位书写者，产生近30,000张图像。然后，他们用SD-3图像扩充每个集合，以达到每集60,000个样本。所有图像被大小归一化到20x20像素框，保持纵横比，并抗锯齿为灰度，然后通过调整质心居中在28x28图像中。下采样细节后来被重建。
最初，训练集和测试集都有60,000个样本，但为了减小测试集大小，丢弃了50,000个样本，仅保留索引24476到34475，从而得到10,000张测试图像。
评估与影响
MNIST成为机器学习和深度学习研究中的标准基准。它被广泛用于比较算法，从简单的线性模型到复杂的神经网络模型。数据集的小图像尺寸和适中的类别数量使其非常适合原型设计。其公开可用性和清晰的基准使其成为常见的教育工具。
遗产与后继者
扩展MNIST（EMNIST）是NIST开发的新数据集，于2017年发布，作为MNIST的后继者。它包括手写数字和字母，类别更广泛。2019年，MNIST的完整60,000张测试集被恢复以创建QMNIST，为研究提供了更大的测试集。这些衍生数据集保持了MNIST的结构，同时扩展了其多样性。
参见
参考文献
- Yann LeCun等人关于MNIST的原始论文，1998年（在源事实中提供）。
- NIST特殊数据库出版物和OCR基准报告。