[Pytorch案例实践003]Fashion-MNIST 图像分类

一、项目概述

        本项目旨在使用 PyTorch 框架构建和训练一个卷积神经网络（CNN），用于对 Fashion-MNIST 数据集进行分类。Fashion-MNIST 数据集是一个流行的图像分类数据集，包含 10 类不同的服装物品，每个类别有 7000 张灰度图像。每张图像的尺寸为 28x28 像素。

1. 数据预处理：

   • 加载并预处理 Fashion-MNIST 数据集，包括将图像转换为 Tensor 并进行归一化处理。

2. 模型构建：

   • 使用 nn.Sequential 构建一个简单的卷积神经网络，包括卷积层、ReLU 激活函数、最大池化层、展平层和全连接层。

3. 训练和验证：

   • 实现模型的训练和验证过程，包括计算损失和准确率。
   • 使用 tqdm 库显示训练和验证过程中的进度条。
   • 保存训练和验证集的损失和准确率曲线。

4. 模型保存：

   • 保存训练过程中表现最佳的模型权重。

5. 结果可视化：

   • 绘制并保存训练和验证过程中的损失和准确率曲线图。

二、数据集介绍

概述

Fashion-MNIST 数据集是一个用于图像分类任务的替代数据集，由 Zalando 提供。与经典的 MNIST 数据集不同，Fashion-MNIST 包含了更具挑战性的服装图像，旨在作为计算机视觉和机器学习算法的基准测试。

数据集组成

• 类别：10 类不同的服装物品，包括 T 恤、裤子、外套、连衣裙等。
• 样本数量：共 70,000 张灰度图像，其中 60,000 张用于训练，10,000 张用于测试。
• 图像尺寸：每张图像为 28x28 像素。
• 图像格式：灰度图像（单通道）。

类别标签

每张图像对应一个类别标签，共有以下 10 个类别：

1. T 恤/上衣
2. 裤子
3. 套头衫
4. 连衣裙
5. 外套
6. 凉鞋
7. 衬衫
8. 运动鞋
9. 包
10. 短靴

示例图像