动手学深度学习PyTorch版--大作业--Fashion-mnist分类任务

代码有点长，故放github上了
文件预处理 – 数据准备 – 训练/测试–打印csv表
需要的同学请自取【我的github】
Fashion-mnist
经典的MNIST数据集包含了大量的手写数字。十几年来，来自机器学习、机器视觉、人工智能、深度学习领域的研究员们把这个数据集作为衡量算法的基准之一。你会在很多的会议，期刊的论文中发现这个数据集的身影。实际上，MNIST数据集已经成为算法作者的必测的数据集之一。有人曾调侃道：“如果一个算法在MNIST不work, 那么它就根本没法用；而如果它在MNIST上work, 它在其他数据上也可能不work！”

Fashion-MNIST的目的是要成为MNIST数据集的一个直接替代品。作为算法作者，你不需要修改任何的代码，就可以直接使用这个数据集。Fashion-MNIST的图片大小，训练、测试样本数及类别数与经典MNIST完全相同。

这个数据集的样子大致如下（每个类别占三行）：
类别标注
在Fashion-mnist数据集中，每个训练样本都按照以下类别进行了标注：

1.任务描述

Fashion-MNIST是一个替代MNIST手写数字集的图像数据集。 它是由Zalando（一家德国的时尚科技公司）旗下的研究部门提供。其涵盖了来自10种类别的共7万个不同商品的正面图片。Fashion-MNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。60000/10000的训练测试数据划分，28x28的灰度图片。你可以直接用它来测试你的机器学习和深度学习算法性能，且不需要改动任何的代码。

本次任务需要针对Fashion-MNIST数据集，设计、搭建、训练机器学习模型，能够尽可能准确地分辨出测试数据地标签。

2.文档说明

数据集文件分为训练集和测试集部分，对应文件如下：

• 训练数据：train-images-idx3-ubyte.gz
• 训练标签：train-labels-idx1-ubyte.gz
• 测试数据：t10k-images-idx3-ubyte.gz
• 测试标签：t10k-labels-idx1-ubyte.gz

3.评估说明

评价指标
本次任务采用 ACC（Accuracy) 作为模型的评价标准。

在线评估
评估函数首先会验证选手提交的预测结果文件是否符合要求，主要验证了以下要求:

提交的预测文件是否存在重复ID
提交的预测文件ID是否与测试集文件ID不匹配
通过验证后的文件会用以ACC为测评指标的函数进行计算评估。

文件格式
由于测评脚本已经统一，为保证脚本的顺利运行，在进行测评时，要求选手提交的预测文件拥有规范的字段名和字段格式，预测文件具体要求如下：

基准算法
本次任务采用不同的基准算法，获得模型的ACC如下：

• 随机基准算法ACC：0.09440
• 弱基准算法ACC：0.90452
  在评估时，以弱基准算法的ACC作为达标线。

4.参考文献

[1] Fashion-MNIST: a Novel Image Dataset for Benchmarking Machine Learning Algorithms. Han Xiao, Kashif Rasul, Roland Vollgraf. arXiv:1708.07747
[2] https://github.com/zalandoresearch/fashion-mnist/