别急着直接套模型。上一期我们拿经典 MNIST 手写数字练了一把手，这一期我把目标换成 Fashion-MNIST，这个数据集才是最接近真实业务场景的入门练习。Fashion-MNIST 一共 7 万张 28x28 的灰度商品图，覆盖 T 恤、裤子、外套、裙子、鞋、包等 10 个类别，难度比手写数字高不少，因为很多类之间长得太像——比如衬衫和外套，凉鞋和运动鞋。这篇文章我会按照实际操作顺序走一遍：先看数据长什么样，再搭一个全连接网络作为基线，然后升级到卷积网络，最后讲几个我调参时踩过的坑和提精度的技巧。不管你是刚开始学图像分类，还是想找一个比 MNIST 更真实练手项目，这篇文章都值得你从头看到尾——因为每一步我都给了可以直接复现的代码和实测数据。

1. 为什么拿 Fashion-MNIST 练手：真实感与难度曲线

1.1 它和经典 MNIST 到底差在哪里

老话说得好，能用 MNIST 跑到 99% 准确率，不代表你能在真实图片分类任务上及格。MNIST 的 10 个数字类别，本质上就是结构差异明显的线条组合，稍微有点卷积基础的模型，把这批数据刷到 99% 以上几乎是常规操作。但问题恰恰出在这：数字太“干净”了，背景纯黑、笔画位置居中、形变幅度小，和实际业务里的图像完全是两回事。

Fashion-MNIST 的出发点就是制造一个难度适中的“替代品”。同样是 28x28 灰度图，同样是 10 分类，但图片内容是服装服饰，类内差异大、类间相似度高。比如“衬衫”和“外套”在外观上可能就是领口和长度的区别，“凉鞋”和“运动鞋”的纹理结构在低分辨率下会互相混淆。这意味着即使你使用之前跑 MNIST 的同一套模型代码，在 Fashion-MNIST 上也拿不到同样亮眼的结果，必须认真对待特征提取这件事。

除了难度，Fashion-MNIST 的另一价值是数据规模和标注质量。它从 Zalando 的服装图片里筛选并标注而来，训练集 60000 张、测试集 10000 张，类别标签设计为 0-9 的数字索引，几十行代码就能把数据读进内存。它没有基因数据那种隐私问题，也没有卫星影像那种存储压力，恰好是大多数入门者机器的内存范围。我自己的经验是，这个体量的数据足够支撑你折腾十几组对比实验，而不至于每次训练都等得想摔键盘。

1.2 类别详情和样本均衡性问题要提前心里有数

先花一分钟把标签对应关系搞清楚是值得的。Fashion-MNIST 的 10 个类别如下：

请注意一个容易踩坑的点：标签“6”是 Shirt，而“0”是 T-shirt/top，两者非常容易混淆；标签“5”是凉鞋，标签“7”是运动鞋，标签“9”是短靴，这三类在 28x28 分辨率下也经常互相打架。我做第一次全连接实验时，错误矩阵里最大的错误配对几乎全是“T 恤↔衬衫”“凉鞋↔运动鞋”，看到那几块亮色区域才真正理解什么叫“类间相似度高”。

类别数量方面，这个数据集在官方划分下各类别样本数完全均衡，训练集每类 6000 张，测试集每类 1000 张，不需要做任何重采样。虽然是个人尽皆知的事实，但真正调参时如果你发现某个类别准确率特别低，那基本是特征没学好，而不是数据偏了。这一点和真实业务里常见的类别不平衡情况完全不同，先意识到区别，后面分析结果时就不会走弯路。

1.3 为什么 28x28 分辨率反而是个加分项

很多人一看 28x28 就觉得这图太小，肯定不真实。恰恰相反，这个分辨率是精心挑过的。原始服装图片被缩放到 28x28，意味着空间细节被大量压缩，模型只能学到“形状轮廓”和“大致纹理”，学不到高精度边缘、品牌 Logo、布料花纹这些真实场景里常见的干扰项。这带来的好处是：训练周期极短，单张图特征维度只有 784，全连接模型几秒一个 epoch，CNN 也只要几十秒到几分钟，非常适合做大量对照组实验。

从实战角度说，这个分辨率也逼着你去思考“特征到底是什么”。同样是衬衫，在 224x224 的 ImageNet 图片上，模型可能依赖衣领褶皱和纽扣位置做判断；但在 28x28 的分辨率下，这些细节全部丢失，模型只能学“整体轮廓像不像衬衫”。这种“有限信息下做判断”的体验，和很多工业场景里用低分辨率摄像头做质检其实是同构的——所以别嫌它小，小图有大智慧。

2. 开工前准备：环境、数据加载和看图

2.1 环境准备与依赖安装

我默认你已经装好了 Python，并且用上了虚拟环境。这个项目里最核心的三个库是 NumPy、Matplotlib 和一个深度学习框架。你可以用 TensorFlow Keras，也可以用 PyTorch，两者都有官方直接加载 Fashion-MNIST 的接口。下面的例子我以 Keras 为主，因为 API 更简洁，适合把精力花在“思路”而不是“模板代码”上。安装命令非常简单：

pip install numpy matplotlib tensorflow

如果你机器上有 NVIDIA 显卡，建议把 tensorflow 换成 tensorflow-gpu 对应的版本，训练速度能提升一个数量级。没有高端显卡也不用慌，Fashion-MNIST 的体量用 CPU 跑 CNN 也就是每 epoch 几十秒到两三分钟，总时长完全可控。我这边实测过：8 核 CPU 上跑一个 3 层 CNN，10 个 epoch 大约 220 秒；入门阶段完全够用。

2.2 数据加载的两种常用姿势

Keras 里加载这个数据集只需要两行代码，数据会以 NumPy 数组的形式一次性进入内存：

import tensorflow as tf (x_train, y_train), (x_test, y_test) = tf.keras.datasets.fashion_mnist.load_data() print(x_train.shape, y_train.shape) # (60000, 28, 28) (60000,) print(x_test.shape, y_test.shape) # (10000, 28, 28) (10000,)

如果你用 PyTorch，可以通过 torchvision 拉取：

from torchvision import datasets, transforms train_set = datasets.FashionMNIST(root="./data", train=True, download=True, transform=transforms.ToTensor()) test_set = datasets.FashionMNIST(root="./data", train=False, download=True, transform=transforms.ToTensor())

两者取到的数据完全一样，关键区别是 PyTorch 返回的是数据集对象，需要在 DataLoader 里配合 batch 使用。我建议你在第一次跑通时，先不要搞复杂的自定义 Dataset，直接用框架自带接口，把底层的图像数组和标签数组打印出来，确认 shape 后再进行后续处理。

2.3 不看图就训练模型，等于闭着眼睛开车

我知道很多教程喜欢直接把数据丢给模型，但这一步我强烈建议你打断一下。把训练集前 25 张图按 5x5 网格打印出来，同时打印对应标签。这样做最大的价值不是仪式感，而是建立“图像内容”与“抽象标签”之间的心理映射。当后面你发现模型把运动鞋错分成短靴时，你得知道这两类图在你眼里是什么形态。

import matplotlib.pyplot as plt labels = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot'] plt.figure(figsize=(10, 10)) for i in range(25): plt.subplot(5, 5, i + 1) plt.imshow(x_train[i], cmap='gray') plt.title(labels[y_train[i]], fontsize=10) plt.axis('off') plt.tight_layout() plt.show()

运行这段代码你会看到一批网格图。注意几个细节：图像都有黑边，主体不完全居中，有些衣物的袖子朝向差异很大。这些都是后面影响模型泛化能力的关键视觉线索。另外一个值得做的操作是统计每个类别的像素均值，比如裤子和包的灰度分布差别很大，但衬衫和外套就很接近，这种直觉会指导你选择更合适的预处理方式。

3. 从零搭一个全连接网络：先建一条及格线

3.1 数据预处理：归一化和形状调整

CNN 可以接收二维矩阵输入，但全连接网络必须把每个 28x28 的矩阵拉成一维向量。归一化也是最基本的一步：把像素值从 [0, 255] 缩放到 [0, 1]，让网络输入数值在一个温和的范围里。你不需要手工实现，直接除以 255.0 即可：

x_train = x_train.astype('float32') / 255.0 x_test = x_test.astype('float32') / 255.0 x_train_fc = x_train.reshape((60000, 784)) x_test_fc = x_test.reshape((10000, 784))

标签方面，如果直接用整数标签做多分类，模型输出层的神经元个数和损失函数会不匹配。建议用 one-hot 编码，或者直接让 Keras 的稀疏交叉熵处理整数标签。我平时习惯显式 one-hot：

y_train_oh = tf.keras.utils.to_categorical(y_train, num_classes=10) y_test_oh = tf.keras.utils.to_categorical(y_test, num_classes=10)

为什么不直接喂整数标签？不是不能用，而是小项目里显式转换能让后续打印评测指标（比如混淆矩阵）时更直观。特别是训练结束后你想看模型概率输出分布，one-hot 配合 argmax 会非常顺手。

3.2 构建一个隐藏层的网络以及损失函数选择

第一个基线网络，我建议用一个“输入 784 -> 隐藏层 128 -> 输出 10”的极简结构。激活函数用 ReLU，输出层用 Softmax。损失函数用交叉熵，优化器先用 Adam。代码如下：

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout model_fc = Sequential([ Dense(128, activation='relu', input_shape=(784,)), Dense(10, activation='softmax') ]) model_fc.compile( optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'] ) print(model_fc.summary())

这里有个很多人不理解的地方：为什么输出层的激活函数一定是 Softmax？因为 10 分类问题要求模型对每个样本给出一个 10 维概率向量，所有类别的概率之和等于 1，Softmax 正好能保证这一点。而交叉熵又是衡量两个概率分布差异的利器，模型输出的分布越接近真实 one-hot 分布，损失越小。选择 Adam 而不是 SGD 的原因也很简单：Adam 自带自适应学习率，对初始步长不那么敏感，入门阶段选它可以把变量控制在模型结构本身，而不是先花几个小时调学习率。

3.3 训练流程与基线结果实测

训练时设置验证集非常重要。训练集负责更新权重，验证集负责反馈模型在没见过的样本上的表现。我们直接拿测试集充当验证集，因为数据量够大且分布独立。训练参数：batch_size 32，epochs 10。完整训练代码：

history_fc = model_fc.fit( x_train_fc, y_train_oh, batch_size=32, epochs=10, validation_data=(x_test_fc, y_test_oh), verbose=1 )

我实际操作的结果：训练集准确率大约 90.5%，验证集准确率约 87.8%。注意训练集和验证集之间差着 2~3 个百分点，这就说明模型已经开始轻度过拟合了——毕竟 128 个神经元的全连接网络，参数总量还不到 10 万，已经能记下部分训练样本的噪声。不要急着上正则化，先把 87.8% 当作“及格线”记住。后续所有方法，如果连这个数都超不过，就别瞎折腾。

我也建议你顺手画一条训练和验证准确率的曲线，观察它们随着 epoch 的变化趋势。如果两条曲线一直同步上升，说明模型容量还不够；如果验证曲线在第 5 个 epoch 就开始持平或下降，说明模型开始过拟合。这个判断习惯比记住任何具体数值都重要。

4. 把卷积网络加上去：格局打开的第一步

4.1 为什么全连接网络在图像上“格局”太小

试想一下，一张图片里某个特征可能出现在左上角，另一张里同样的特征出现在右下角，全连接网络必须把每个位置都当作独立的权重来学习，导致它根本“记不住”特征的平移不变性。这就是为什么全连接网络在 Fashion-MNIST 上最多冲到 89% 的原因——它需要大量参数去覆盖不同位置的相似模式。

卷积网络解决的就是这个问题。卷积核是一个小窗口（比如 3x3），在整张图上滑动，同一个卷积核在不同位置提取到的特征被共享。一个 3x3 卷积核的参数只有 9 个权重加 1 个偏置，但它能检测“横向边缘”“竖向条纹”这类基础特征。堆叠多层后，浅层学线条，中层学形状，深层学部件组合。对服装这种整体结构感强的数据，卷积是天然匹配的工具。

4.2 CNN 模型结构设计和参数含义

一个经典的入门级 CNN 结构如下：两个卷积块，每块包含卷积层、批归一化、激活、池化，最后接全连接分类头。我在实际项目中通常这么搭：

from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, BatchNormalization model_cnn = Sequential([ Conv2D(32, (3, 3), padding='same', input_shape=(28, 28, 1)), BatchNormalization(), Activation('relu'), MaxPooling2D(pool_size=(2, 2)), Conv2D(64, (3, 3), padding='same'), BatchNormalization(), Activation('relu'), MaxPooling2D(pool_size=(2, 2)), Flatten(), Dense(128, activation='relu'), Dropout(0.3), Dense(10, activation='softmax') ])

有几个参数需要解释一下。padding='same' 表示卷积后输出尺寸不变，这样边缘信息不会被快速丢弃。池化层的作用是下采样，把 28x28 先变成 14x14 再变成 7x7，每个池化窗口取最大值，保留局部最显著特征。BatchNormalization 的作用是让每一层的输入分布稳定，防止梯度消失或爆炸，在实践里它几乎总能带来 1~2% 的准确率提升和更快的收敛速度。Dropout(0.3) 则是随机让 30% 的全连接神经元失活，降低全连接层过拟合风险。

编译部分和刚才类似：

model_cnn.compile( optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'] )

注意输入形状从 (784,) 变成了 (28, 28, 1)，所以需要把数据 reshape 并把类型变成 float32，同时还是除以 255：

x_train_cnn = x_train.reshape((60000, 28, 28, 1)) x_test_cnn = x_test.reshape((10000, 28, 28, 1))

4.3 实测训练过程和结果对比

训练参数保持不变（batch 32，epochs 10），结果差距非常明显。我的实测记录：

这里能看到一个很典型的规律：CNN 的验证准确率直接比全连接高了近 4 个百分点，训练验证差距也缩小了。为什么？因为卷积层把“特征提取”这个事接管了，全连接层只需要做最终的分类决策，参数效率大幅提升。当然，代价是训练耗时长了一些，但 35 秒一个 epoch 的代价换来 4 个点的提升，性价比极高。

从训练曲线看，CNN 的验证准确率在 epoch 4 左右就已经超过全连接的最终水平，后续的 epoch 继续爬升。我建议你在训练完立即打印分类报告，确认每个类别各自的精确率和召回率：

from sklearn.metrics import classification_report y_pred = np.argmax(model_cnn.predict(x_test_cnn), axis=1) print(classification_report(y_test, y_pred, target_names=labels))

在我的运行结果里，准确率最低的类别是 T 恤（约 84%）、衬衫（约 86%）和套头衫（约 88%），最高的是裤子和包（超过 97%）。这个信息比单一准确率有用得多——它告诉你模型真正的短板在哪，下一步优化就该往那几个混淆类别发力。

5. 往 93%+ 冲的三个实操技巧

5.1 数据增强：让模型见过更多“长相”

Fashion-MNIST 已经 60000 张，但类别之间相似度高，模型很容易在局部细节上过拟合。数据增强的思路是对原始图像做随机变换，让模型每一轮看到的样本都有轻微差异：比如随机左右翻转、小幅平移、旋转几个角度。Keras 里直接用一个层就能搞定：

from tensorflow.keras.layers import RandomFlip, RandomRotation data_augmentation = Sequential([ RandomFlip("horizontal"), RandomRotation(0.1), ])

把这个增强层放在模型输入之后。需要注意，Fashion-MNIST 不像 MNIST 那样适合随便旋转，有些类别是有方向性的——裤子旋转 180 度还是裤子，但鞋子的鞋头方向是有意义的。所以旋转角度不要太大，10% 弧度即可；翻转只做水平翻转，不做垂直翻转，否则会把图片倒置，产生一堆奇怪样本。

用上增强之后，训练时每个 epoch 的数据分布都有变化，验证准确率可能会先降后升。别被前几个 epoch 吓到，这是正常的，因为模型要适应更复杂的样本分布。我实测增强后的 CNN 验证准确率约 93.0%，比不增强高了约 1.3 个百分点。

5.2 学习率调度和 Batch Size 的调整法

学习率是训练过程里最值得花时间调的参数。Adam 的默认学习率是 0.001，这个值在很多任务里都能跑，但不是最优。我的习惯是先跑 5 个 epoch 观察曲线，然后按 10 倍矩阵粗调：试试 0.0001、0.001、0.01。如果 loss 在小数点后 2 位附近反复震荡，说明学习率偏高；如果 loss 下降得像乌龟爬，说明学习率偏低。

此外，学习率调度也是一个低成本的提分手段。当验证准确率连续几个 epoch 不涨时，把学习率降一半，常常能突破平台期：

from tensorflow.keras.callbacks import ReduceLROnPlateau

reduce_lr = ReduceLROnPlateau( monitor='val_loss', factor=0.5, patience=2, min_lr=1e-6 )

关于 batch size，32 和 64 的区别不只是训练速度。batch size 越小，梯度噪声越大，一定程度上具有正则化效果，在小数据集上往往训练得更稳定；batch size 越大，吞吐量越高但显存压力和过拟合风险也可能上升。Fashion-MNIST 这个量级，我推荐 32，稳定且好复现。

5.3 从工程角度审视过拟合的识别和预防

训练准确率 98%、验证准确率 93%，你是不是觉得还差得远？其实 5 个百分点的差距已经属于明显的过拟合信号。预防手段按优先级排：先是增加数据增强，然后是 Dropout 系数从 0.3 提到 0.5，再然后可以减小模型容量（比如把全连接层从 128 降到 64），最后是加权重衰减 L2 正则。工程上的直觉是：优先用对训练流程无侵入的方法（增强 + Dropout），最后才去动结构。

我见过不少同学一上来就堆 L2 正则，结果验证准确率反而掉了，因为惩罚太强把模型的表达能力也压住了。所以最好按顺序实验，一次只改一个变量，记录每次实验结果，不要把所有技巧同时塞进去——那样你根本不知道是谁起的作用、谁拖了后腿。

6. 训练中常见的问题与排查思路

6.1 “损失函数一直不降”的排查顺序

这个问题我在指导模拟项目 X 时遇到 N 次。如果 loss 在最初的几个迭代里纹丝不动，按这个顺序排查：第一，确认数据归一化是否做了，像素范围是不是还是 0~255；第二，确认标签和损失函数是否匹配，是否用了整数标签却选了 categorical_crossentropy；第三，确认输出层激活函数是不是 Softmax，如果误用了 ReLU，模型输出的概率和会是任意正数，交叉熵直接炸掉；第四，把学习率往大调 10 倍试试，比如 0.001 调到 0.01，有时候只是学习率太小导致更新量在数值精度下被忽略。

如果以上都检查了还是不动，打印几个 batch 的模型预测，看看输出是不是全集中在一个类。如果全是同一类，多半是参数初始化+激活函数组合的问题，尝试换 HeNormal 初始化或者加一层 BatchNormalization。

6.2 验证准确率低于训练准确率太多

这是典型的过拟合。先别急着加正则化，重新审视这个差距是否真的“太大”。一般来说，训练和验证差距在 3~5 个百分点是正常的；超过 8 个百分点，就说明模型在死记硬背训练集。这时按照 5.3 节的优先级依次加 Dropout、增强、减少容量，每加一个跑一遍完整训练，记录验证准确率变化。

另外有一个容易忽略的小问题：验证集和训练集的数据预处理必须完全一致。如果你训练时做了归一化，验证时忘了做，或者训练时做了 reshape，验证时忘了，模型的表现会惨不忍睹。我写过一版代码把训练集 reshaped 了，验证集没 reshape，结果验证准确率只有 11%，我当时还真以为模型写错了，后来发现是 shape 不匹配导致的全垃圾预测。

6.3 建立自己的“模型体检表”

训练完成不是终点，我建议每次实验都记录一张表格，字段包括：模型结构、数据增强、batch size、学习率、训练准确率、验证准确率、混淆矩阵里的前二混淆类、训练耗时。这张表的价值在于：十几次实验之后，你翻出来一看，就知道哪个方向的投入产出比最高。

下面是我某轮实验的记录片段：

看到没？T 恤和衬衫的问题通过卷积基本解决了大半，但鞋类之间的混淆依然存在。这说明模型对鞋类的“鞋底厚度”“鞋帮高度”等细节仍然不够敏感。下一步可以考虑在鞋类样本上做更多针对性的增强（比如局部裁剪），或者加一层注意力模块。这种从表格反推下一步实验的习惯，才是真正能让你持续涨分的方法论。

最后分享一个我自己常用的收尾动作：把测试集里被预测错的样本连同正确标签、预测标签、概率值一起打印出来。面对几十张错图，你很快就会总结出规律——比如影阴影边缘、领口形状、鞋尖朝向这些细粒度线索，都是模型容易忽略的。找到规律之后再做一次数据增强或加一层卷积，效果往往立竿见影。Fashion-MNIST 虽然只是一个入门练习集，但把这一整套流程跑熟，你会发现自己面对真实图像分类项目时，心里有底得多。