完成FashionMnist数据集分类识别，准确率(Accuary)达90%以上

FashionMnist数据集包括 60000个训练样本 和 10000个测试样本 ，每个样本大小为 28*28的灰度图。

*（这个我就不上传GitHub了，若运行失败则在代码处将download改为True即可）

包括 10个类别 ：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）。

• 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

对数据进行标准化操作，使用 ComputeMeanAndStd 计算得到均值和方差。

• LeNetv5：《Classification_of_Garments_from_Fashion_MNIST_Dataset_Using_CNN_LeNet-5_Architecture》这篇论文测试集准确率达到98.9%，不知道用了什么trick。

• SimpleNet：

  ​ 在LeNetv5上进行修改

  • 将conv层的channels降低
  • 同时舍弃了maxpooling
  • 全连接神经元增加

• CNNmodel：

  ​ 在LeNetv5上进行修改

  • 将conv层的channels降低
  • 添加padding
  • 使用Xavier对conv层参数进行初始化

• ResNet18

  ​ 使用Fine-Tuning操作，只对分类层进行修改，输出为10个类别。

  • 对输入数据，直接将Gray图像复制成三通道作为输入
  • 使用 lr_scheduler 调整学习率：step_size=7 、gamma=0.1

• 优化器optimizer

  ​ 采用SGD，引入牛顿动量Nesterov法：lr=0.015、momentum=0.9

• python>=3.8
• torch=1.10
• torchvision=0.11.2
• tqdm

• fashionmnist_hand.ipynb

  • 加载数据（load datasets）：torchvision.datasets.FashionMNIST模块完成
  • 数据处理：构建 ComputeMeanAndStd 函数计算均值方差，使用torchvision.transforms.Normalize完成标准化
  • 构建模型：LeNetv5、SimpleNet、CNNmodel、ResNet18
  • 训练：损失函数 CrossEntropyLoss 和优化器 SGD
  • 测试
  • 保存模型：在 model 文件夹下
  • 加载模型

• fashionmnist_resnet.ipynb：

  ​ 同上，但是使用字典一并加载数据的，训练和验证写在了一个函数里面。

• model：保存 model.state_dict

​ 在5个epoch下各个模型的表现：

• LeNetv5：90.82%

• SimpleNet：88.91%

• CNNmodel：90.56%

• ResNet18：91.44%

GitHub：GuoPingPan/DeepLearning-Fashion (github.com)