https://blog.csdn.net/u011995719/article/details/77834375

        命名技巧：
        專案目的：
        資料來源：
        資料製作：

推薦閱讀：資料製作

paper 地址：https://arxiv.org/abs/1708.07747
資料集下載：https://github.com/zalandoresearch/fashion-mnist
上個月底突然被Fashion-MNIST刷屏，於是乎看看這個資料集是個什麼樣的資料集。
命名技巧：

Fashion-MNIST其命名很有技巧，“蹭”了MNIST，要不然也火不了。就像JAVAsript 的命名，JAVAsript和JAVA沒啥關係，就是“蹭”熱度，起個好名字啊！引用知乎 的圖片：
這裡寫圖片描述
專案目的：

製作這個資料集的目的就是取代MNIST，作為機器學習演算法良好的“檢測器”，用以評估各種機器學習演算法。為什麼不用MNIST了呢？ 因為MNIST就現在的機器學習演算法來說，是比較好分的，很多機器學習演算法輕輕鬆鬆可以達到99%，因此無法區分出各類機器學習演算法的優劣。
為了和MNIST相容，Fashion-MNIST 與MNIST的格式，類別，資料量，train和test的劃分，完全一致。
資料來源：

paper中提到，資料來源於Zalando’s website . 這是什麼鬼？ 查了一下才知道，Zalando是德國的電商， 其主要產品是服裝和鞋類。再一看作者，是Zalando研究部門的，好吧。可不可以認為是打廣告呢！剩下一大筆廣告費啊！作者是華人：肖涵。
資料來自不同gender group： men women kids and neutral ；並且，不包含白色的商品，因為白色商品與背景的對比度較低。

類別如下：
標註編號     描述
0     T-shirt/top（T恤）
1     Trouser（褲子）
2     Pullover（套衫）
3     Dress（裙子）
4     Coat（外套）
5     Sandal（涼鞋）
6     Shirt（汗衫）
7     Sneaker（運動鞋）
8     Bag（包）
9     Ankle boot（踝靴）

———————————————–分割線—————————————————-
名稱     描述     樣本數量     檔案大小     連結
train-images-idx3-ubyte.gz     訓練集的影象     60,000     26 MBytes     下載
train-labels-idx1-ubyte.gz     訓練集的類別標籤     60,000     29 KBytes     下載
t10k-images-idx3-ubyte.gz     測試集的影象     10,000     4.3 MBytes     下載
t10k-labels-idx1-ubyte.gz     測試集的類別標籤     10,000     5.1 KBytes     下載
資料製作：

在paper中有一點比較值得學習，就是圖片如何製作成 28*28的灰度圖的過程，可以借鑑此種方法來對自己的圖片進行“resize”。
最原始圖片是背景為淺灰色的，解析度為762*1000 的JPEG圖片。然後經過resampled 到 51*73 的彩色圖片。然後依次經過以下7個步驟，最終得到28*28的灰度圖
這裡寫圖片描述

    JPEG –> PNG
    裁剪背景
    按比例： max(h,w)28

    將影象縮放，也就是將一個維度縮放至28
    銳化
    再擴充至28*28，再把object調整至圖片中央
    將負的畫素點剔除
    轉化成28*28的灰度圖

這一套方法覺得比平時僅採用resize或許會好，可以考慮嘗試
---------------------  
作者：TensorSense  
來源：CSDN  
原文：https://blog.csdn.net/u011995719/article/details/77834375?utm_source=copy  
版權宣告：本文為博主原創文章，轉載請附上博文連結！