8月27日，Fashion-MNIST图片库在GitHub上开源，MNIST的时代宣告终结。
这不是巧合，而是Fashion-MNIST蓄谋已久。它克隆了MNIST的所有外在特征：
- 60000张训练图像和对应Label；
- 10000张测试图像和对应Label；
- 10个类别；
- 每张图像28x28的分辨率；
- 4个GZ文件名称都一样；
对于已有的MNIST训练程序，只要修改下代码中的数据集读取路径，或者残暴的用Fashion-MNIST数据集文件将MNIST覆盖，替换就瞬间完成了。
不同的是，Fashion-MNIST不再是抽象符号，而是更加具象化的人类必需品——服装，共10大类：
| Label | Description |
|---|---|
| 0 | T恤（T-shirt/top） |
| 1 | 裤子（Trouser） |
| 2 | 套头衫（Pullover） |
| 3 | 连衣裙（Dress） |
| 4 | 外套（Coat） |
| 5 | 凉鞋（Sandal） |
| 6 | 衬衫（Shirt） |
| 7 | 运动鞋（Sneaker） |
| 8 | 包（Bag） |
| 9 | 靴子（Ankle boot） |
Fashion Mnist
如果我们训练的模型能够识别出不同的服装类型，是不是觉得离“智能”更进一步了？没错。Fashion-MNIST要难得多。
我用一个3层全连接神经网络对它做了测试。对于MNIST可以达到95%识别率的训练代码，去训练Fashion-MNIST，最后模型识别率猛降了10个百分点。
对于一个人工智能算法，是否可用的一个根本性度量标准就是：不亚于人类。85%已然是不可用的状态。尽管如此，事情变的更有意思了，不是吗？
更多的算法Benchmark在这里（非深度学习），官方README中收集了未验证的深度学习算法的Benchmark。
本篇所用代码tf_fashion_mnist.py的测试结果：
识别Fashion-MNIST
