FashionMNIST数据集简介+Python解码

已于 2024-07-19 21:49:35 修改
阅读量484 收藏 16
点赞数 13
文章标签： 人工智能 神经网络 python
于 2024-07-15 21:31:39 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_74094746/article/details/140415707
版权

1  简介

本文介绍了FashionMNIST数据集，并通过Python的方式实现对数据集解码。尾页附有工程代码下载链接。

2  运行环境：

PyCharm Community Edition 2024.1.4                        os

numpy1.24.3                                                                

2.1  依赖库安装方式：

#镜像安装
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

3  数据集概述

FashionMNIST数据集是一个广泛应用于机器学习和深度学习领域的图像数据集。它包含10个不同类别的服饰图像，旨在提供一个比传统MNIST手写数字更复杂的图像识别任务。该数据集不仅适合初学者进行图像分类的实践，还能帮助研究人员评估和改进图像识别算法。

FashionMNIST数据集包含10个类别

数据集大小：包含70,000个灰度图像，分为60,000个训练集样本和10,000个测试集样本。

图像尺寸：每张图像均为28x28像素的分辨率，以单通道灰度图形式呈现。

数据量：总数据量为70,000张图像，约占用52.25MB的磁盘空间（具体大小可能因存储文件格式而异）。

3.1  数据集官网下载链接

https://github.com/zalandoresearch/fashion-mnist（需科学上网）

个人链接：工程代码已包含

需要下载的四个文件在 /data/fashion

包括：

  • 训练数据图片：train-images-idx3-ubyte
  • 训练数据标签：train-labels-idx1-ubyte
  • 测试数据图片：t10k-images-idx3-ubyte
  • 测试数据标签：t10k-labels-idx1-ubyte

4  数据处理

        在FashionMNIST数据集的数据集包含60,000个训练集样本和10,000个测试集样本。每个样本都是一个28x28像素的单通道灰度图像，像素值范围在0到255之间。数据以三维数组+字节的文本方式存储，可以使用以下代码将其转换为PNG格式。

图1  测试集中提取PNG文件
图1  训练集中提取PNG文件

4.1  运行成功后

在工程文件夹下生成以下文件

工程下载链接：

移动云盘链接:https://caiyun.139.com/m/i?145CGcGUj4X8y
提取码:OLPE
 

相关声明：

本文版权归Finxs所有，数据仅供参考。立场观点为个人看法，不代表任何机构。欢迎讨论，但请尊重差异，避免攻击。本文为原创，未抄袭，侵权必究。信息观点仅供参考。

如有任何关于本文的疑问或建议，欢迎在评论区留言。

联系方式：3025096640@qq.com

Finxs
关注
  • 13
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Fashion-MNIST数据集--图像数据集
m0_62865498的博客
05-06 3344
Fashion-MNIST是一个包含了10个类别、每个类别下有7000张28x28像素灰度图像的数据集。这个数据集可以用于图像分类、图像识别等任务。处理这种图像数据集可以采用以下步骤：数据预处理：将数据集中的图像转换为数字矩阵形式，可以使用Python中的NumPy库进行处理。同时可以将像素值归一化到0-1范围内，方便后续处理。特征提取：对于图像数据集，常用的特征提取方法包括灰度共生矩阵、局部二值模式、方向梯度直方图等。这些特征可以帮助我们更好地描述和区分不同的图像类别。
FashionMNIST数据集Python解码
最新发布
07-15
本文介绍了FashionMNIST数据集，并通过Python的方式实现对数据集解码。
FashionMNIST-data 数据集 深度学习
06-11
Fashion-MNIST是一个替代MNIST手写数字集的图像数据集。 其涵盖了来自10种类别的共7万个不同商品的正面图片。Fashion-MNIST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。
PyTorch深度学习（三）：Fashion-MNIST 数据集介绍
~宪宪的博客
11-07 1万+
PyTorch深度学习（三）：Fashion-MNIST 数据集介绍
Pytorch深度学习—FashionMNIST数据集训练
qq_38734327的博客
10-12 1402
FashionMNIST（时尚 MNIST）是一个用于图像分类的数据集，旨在替代传统的手写数字MNIST数据集。FashionMNIST 包含 10 个类别，分别对应不同的时尚物品。这些类别包括 T恤/上衣、裤子、套头衫、裙子、外套、凉鞋、衬衫、运动鞋、包和踝靴。每个类别有 6,000 张训练图像和 1,000 张测试图像，总计 70,000 张图像。每张图像的尺寸为 28x28 像素，与MNIST数据集相同。数据集中的每个图像都是灰度图像，像素值在0到255之间。
【深度学习系列】——Fashion-MNIST数据集简介
weixin_45666566的博客
08-05 2万+
图像分类数据集（Fashion-MNIST）1、数据集简介2、获取数据集3、查看数据集4、图像可视化显示5、读取小批量数据 1、数据集简介 \quad \quad不同于MNIST手写数据集，Fashion-MNIST数据集包含了10个类别的图像，分别是：t-shirt（T恤），trouser（牛仔裤），pullover（套衫），dress（裙子），coat（外套），sandal（凉鞋），shirt（衬衫），sneaker（运动鞋），bag（包），ankle boot（短靴）。 2、获取数据集 1、torch
FashionMNIST数据集.zip
02-20
《FashionMNIST数据集——深度学习的时尚起点》 FashionMNIST数据集是深度学习领域一个广泛使用的入门级数据集，特别适用于初学者实践和理解卷积神经网络（CNN）的工作原理。它由Zalando Research团队创建，旨在...
FashionMNIST单通道十分类图片数据集【测试集+训练集】
07-16
4. **Python处理**：在Python中，通常使用TensorFlow、Keras、PyTorch等深度学习框架来处理FashionMNIST数据集。这些框架提供了便捷的API来加载和预处理数据，例如`tensorflow.keras.datasets.fashion_mnist.load_...
FashionMNIST数据集（pytorch）免费下载
02-13
train_set = torchvision.datasets.FashionMNIST( root='D:\\python\\dataset', train=True, download=True, transform=transforms.Compose([transforms.ToTensor()])) 使用上述代码下载的内容，包含raw和...
Fashion MNIST数据集.zip
02-10
《Fashion MNIST数据集——深度学习中的时尚视觉识别》 Fashion MNIST数据集是一个广泛用于机器学习和深度学习领域的计算机视觉数据集，尤其适合初学者进行图像分类的实践。这个数据集是由Zalando公司创建的，目的...
【机器学习】FashionMNIST数据集简介及下载方法(自动下载)
创作高质量博文，分享知识，共同进步！
03-02 2790
👗探索时尚与机器学习的交汇点！FashionMNIST，你的机器学习新宠，包含万千时尚单品图像等你来挑战。🤩为什么选它？多样性、挑战性、实用性，一网打尽！💥PyTorch轻松一键下载，时尚数据尽在掌握。💻想要更多？这里还有专家建议和资源等你挖掘！💎感谢你的加入，一起开启时尚机器学习之旅吧！#FashionMNIST #机器学习 #PyTorch #自动下载 #时尚图像识别
Fashion MNIST数据集介绍及基于Pytorch下载数据集
创作高质量博文，分享知识，共同进步！
02-03 2562
Fashion MNIST数据集介绍及基于Pytorch下载数据集
【深度学习】Fashion-MNIST数据集简介
热门推荐
qq_28869927的博客
12-18 3万+
文章目录数据集简介操作下载数据集数据格式可视化显示读取小批量完整代码备注 数据集简介 不同于MNIST手写数据集，Fashion-MNIST数据集包含了10个类别的图像，分别是：t-shirt（T恤），trouser（牛仔裤），pullover（套衫），dress（裙子），coat（外套），sandal（凉鞋），shirt（衬衫），sneaker（运动鞋），bag（包），ankle boot（短靴...
pytorch进行fashion mnist数据集分类
lemonHe的博客
05-19 2万+
标题1.数据集介绍 （1）MNIST MNIST是深度学习最基本的数据集之一，由CNN鼻祖yann lecun建立的一个手写字符数据集，包含60000张训练图像和10000张测试图像，包含数字0-9共10个类别. （2）FASHION MNIST 由于MNIST数据集太简单，简单的网络就可以达到99.7%的top one准确率，也就是说在这个数据集上表现较好的网络，在别的任务上表现不一定好。因此...
动手学深度学习-Fashion-MNIST数据集
qq_44653420的博客
04-16 9777
动手学深度学习-Fashion-MNIST数据集 一、读取数据集 我们通过框架中的内置函数将Fashion-MNIST数据集下载并读取到内存中。 %matplotlib inline import torch import torchvision from torch.utils import data # transforms 对图像尺寸格式进行转化 from torchvision import transforms from d2l import torch as d2l # 使用svg来显示图片
MATLAB构建神经网络识别FashionMnist数据集（附代码）
m0_61053547的博客
03-13 483
用MATLAB神经网络构造器构建模型识别FashionMnist数据集
深度学习经典数据集汇总
weixin_37737254的博客
10-03 5322
深度学习数据集Author：louwillFrom：深度学习笔记很多朋友在学习了神经网络和深度学习之后，早已迫不及待要开始动手实战了。第一个遇到的问题通常就是数据。作为个人学习和实验来...
动手学深度学习（九+）——softmax分类Fashion-MNIST数据集
Liu Feng's Blog
07-18 3657
文章目录一、Fashion-MNIST数据集1.1 认识数据集1.2 小批量读取数据二、softmax回归从零开始实现2.1 初始化模型参数2.2 定义softmax函数及网络模型2.3 定义交叉熵损失函数2.4 训练数据2.5 测试模型三、使用pytorch简单地实现softmax回归 jupyter编程，更改为pytho脚本请自行修改。整体基于李沐老师的动手学习深度学习-pytorch 2021版。下面是个人模仿代码和笔记，主要用于个人复习，如有错误请告知。 一、Fashion-MNIST数据集 F
fashionmnist数据集_pytorch进行fashion mnist数据集分类
05-18
好的，以下是使用PyTorch对Fashion MNIST数据集进行分类的示例代码： 首先，我们需要导入必要的库和模块： ```python import torch import torch.nn as nn import torch.optim as optim import torchvision.datasets as datasets import torchvision.transforms as transforms from torch.utils.data import DataLoader ``` 然后，我们需要下载并加载数据集。Fashion MNIST数据集可以通过以下方式下载： ```python train_data = datasets.FashionMNIST( root="data", train=True, download=True, transform=transforms.ToTensor() ) test_data = datasets.FashionMNIST( root="data", train=False, download=True, transform=transforms.ToTensor() ) ``` 接下来，我们需要定义一个神经网络模型。在这个例子中，我们使用了一个简单的卷积神经网络： ```python class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.layer1 = nn.Sequential( nn.Conv2d(1, 32, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2) ) self.layer2 = nn.Sequential( nn.Conv2d(32, 64, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2) ) self.fc = nn.Sequential( nn.Linear(7 * 7 * 64, 128), nn.ReLU(), nn.Linear(128, 10) ) def forward(self, x): out = self.layer1(x) out = self.layer2(out) out = out.reshape(out.size(0), -1) out = self.fc(out) return out ``` 然后，我们需要定义损失函数和优化器： ```python model = CNN() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) ``` 最后，我们可以开始训练模型并评估其性能： ```python train_loader = DataLoader(train_data, batch_size=100, shuffle=True) test_loader = DataLoader(test_data, batch_size=100, shuffle=False) for epoch in range(10): for i, (images, labels) in enumerate(train_loader): optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() if (i + 1) % 100 == 0: print(f"Epoch [{epoch + 1}/{10}], Step [{i + 1}/{len(train_loader)}], Loss: {loss.item():.4f}") with torch.no_grad(): correct = 0 total = 0 for images, labels in test_loader: outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() accuracy = 100 * correct / total print(f"Test Accuracy: {accuracy:.2f}%") ``` 这就是使用PyTorch对Fashion MNIST数据集进行分类的示例代码。希望能对你有所帮助！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值