fashionmnist数据集_图像分类入门之FashionMNIST

本文将给出一个简单的图片分类代码构建思路，以作入门参考。

MNIST数据集作为机器学习的经典基准测试，在深度学习时代显得过于简单了，Hinton在2017年提出的Capsule更是将错误率降低到了0.25%，可以说完全攻破了这一问题。同时考虑到一般的机器性能，Fashion MNIST是一个很好的基准测试选择，部分样本如下：

2017年提出的Random-Erasing方法可以达到95.8%的测试集正确率（注：原文报告的96.35%为在旧版FashionMNIST的表现），2018年亚马逊mxnet组提对已有的图像分类问题中的众多技巧做了综述，提供了很好的实践参考：Bag of Tricks for Image Classification with Convolutional Neural Network。下面本文将参考这些给出一个简单的Baseline。

构建模型

为选择合适模型，参考Random-Erasing一文的实验结果：

选用WideResNet 28-10 作为一个基准模型，同时参考 Bag of Tricks for Image Classification with Convolutional Neural Network 论文中提到的在residual block的跳层连接中使用平均池化进行下采样的做法（论文中的ResNet50-D），构建模型如下：

class 

训练集与预处理

使用RandomErasing预处理（以集成到torchvision）

import 

训练Pipeline

使用LabelSmooth技巧代替原生OneHot标注

import 

开始训练

使用AdamW优化器，初始学习率0.001，每隔20个epoch降低学习率一次。

from 

在GTX 1080Ti上大约130s一个epoch，训练2.5h即可得到结果，测试集上正确率达95.33%；效果相对差些，可以使用sgd训练200轮次达到更好效果，参照Random-Erasing。

不同实验设置对比：