8月27日，Fashion-MNIST圖片庫在GitHub上開源，MNIST的時代宣告終結。
這不是巧合，而是Fashion-MNIST蓄謀已久。它克隆了MNIST的所有外在特征：
- 60000張訓練圖像和對應Label；
- 10000張測試圖像和對應Label；
- 10個類別；
- 每張圖像28x28的分辨率；
- 4個GZ文件名稱都一樣；
對于已有的MNIST訓練程序，只要修改下代碼中的數據集讀取路徑，或者殘暴的用Fashion-MNIST數據集文件將MNIST覆蓋，替換就瞬間完成了。
不同的是，Fashion-MNIST不再是抽象符號，而是更加具象化的人類必需品——服裝，共10大類：
| Label | Description |
|---|---|
| 0 | T恤（T-shirt/top） |
| 1 | 褲子（Trouser） |
| 2 | 套頭衫（Pullover） |
| 3 | 連衣裙（Dress） |
| 4 | 外套（Coat） |
| 5 | 涼鞋（Sandal） |
| 6 | 襯衫（Shirt） |
| 7 | 運動鞋（Sneaker） |
| 8 | 包（Bag） |
| 9 | 靴子（Ankle boot） |
Fashion Mnist
如果我們訓練的模型能夠識別出不同的服裝類型，是不是覺得離“智能”更進一步了？沒錯。Fashion-MNIST要難得多。
我用一個3層全連接神經網絡對它做了測試。對于MNIST可以達到95%識別率的訓練代碼，去訓練Fashion-MNIST，最后模型識別率猛降了10個百分點。
對于一個人工智能算法，是否可用的一個根本性度量標準就是：不亞于人類。85%已然是不可用的狀態。盡管如此，事情變的更有意思了，不是嗎？
更多的算法Benchmark在這里（非深度學習），官方README中收集了未驗證的深度學習算法的Benchmark。
本篇所用代碼tf_fashion_mnist.py的測試結果：
識別Fashion-MNIST
