利用Fashion-MNIST训练：深度学习入门与计算机视觉挑战

该文档是一份关于"20184352135徐望成 - 服装分类1"的课程设计报告，专注于机器学习领域的计算机视觉任务——服装分类。报告由学生徐望成在2020-2021学年度第一学期撰写，针对的赛题是Fashion-MNIST分类练习，这是一项训练赛道的比赛。 1. 课题背景: - 背景：图像分类是计算机视觉的基础，对于研究者来说必不可少，它是后续更复杂任务如目标检测和语义分割的基石。 - Fashion-MNIST比赛的目的在于通过实际操作熟悉深度学习框架和竞赛流程，而MNIST数据集由于其简单性，已不再能满足现代模型的学习需求。高级模型能轻松达到99.84%的精度，使得在该数据集上提升空间有限。 2. 设计方案概述: - 问题分析：讨论了MNIST数据集的问题，包括过拟合风险和缺乏真实计算机视觉任务的代表性。 - 解决方案：虽然MNIST不再理想，但报告可能提出利用更复杂的服装数据集，如更具挑战性的Fashion-MNIST，来进行更贴近实际应用的图像分类训练。 3. 具体实现: - 环境配置：涉及到了所需的编程环境和深度学习库的安装设置。 - 主程序：详细介绍了用于服装分类的模型架构和训练过程。 - 提交代码：展示了如何将训练好的模型应用于测试集，并生成最终的提交文件。 4. 结果与分析: - 报告展示了训练和测试数据的前20个图像，以及真实和预测的标签，以便于评估模型性能。 - 程序运行片段展示了关键步骤的执行情况。 - 比赛提交结果：记录了模型在比赛中的表现，可能是准确率或损失值等指标。 5. 总结: - 报告以总结的形式回顾了整个项目，强调了通过实际比赛学习的重要性，以及从Fashion-MNIST中学到的知识如何迁移至更复杂的实际场景。 这份报告不仅包含了理论知识的应用，也体现了实践操作的过程，深入浅出地展示了计算机视觉中图像分类技术的运用和挑战。通过解决实际问题，学生深化了对深度学习框架的理解，并掌握了如何将其应用于实际任务中。