Fashion-MNIST 服饰图像分类 (PyTorch + CNN)

使用卷积神经网络对 Fashion-MNIST 数据集中 10 类灰度服装图像（28×28）进行自动分类。
训练 10 个 epoch 后，模型在测试集上可达到 ≈ 91 % 的准确率。

---

项目结构

├── data.py          # 数据加载与预处理
├── model.py         # CNN 模型结构
├── train.py         # 训练逻辑（中文日志）
├── evaluate.py      # 评估逻辑（中文指标）
├── main.py          # 命令行入口：训练 / 评估
├── README.md        # 本文件
└── report.pdf       # 实验报告（另存 Word→PDF）

---

环境依赖

依赖	推荐版本	说明
Python	≥ 3.8	任意发行版均可
PyTorch	≥ 1.8	建议安装 GPU 版 以充分利用 CUDA
torchvision	与 PyTorch 匹配	数据集加载与图像变换
scikit-learn	≥ 0.24	生成分类报告 & 混淆矩阵

安装示例（CPU）：

pip install torch torchvision scikit-learn

如需 GPU 版，请查看 https://pytorch.org 选择对应 CUDA wheel。

---

快速上手

训练模型

python main.py --mode train --epochs 10 --batch-size 64

• 自动检测 GPU：若可用，打印 使用设备: cuda 并启用显卡训练；否则退回 CPU。
• 每 epoch 输出：训练损失 / 训练准确率 / 测试损失 / 测试准确率
• 训练结束后模型权重默认保存为 fashion_mnist_cnn.pth（可用 --model-path 自定义）。

评估模型

python main.py --mode eval --model-path fashion_mnist_cnn.pth

• 输出整体准确率、各类别 Precision / Recall / F1、以及 10×10 混淆矩阵。

---

参数说明

参数	默认	含义
--mode	train	运行模式：train / eval
--epochs	10	训练轮数
--batch-size	64	批大小
--lr	0.001	学习率
--model-path	fashion_mnist_cnn.pth	权重保存/加载路径
--device	自动	强制指定 cpu 或 cuda

---

常见问题

问题	解决方案
下载数据集缓慢	手动下载 .gz 放到 ~/.torch/datasets
GPU 显存不足	调小 --batch-size 或切换 --device cpu
分类效果未达预期	增加 --epochs、加入数据增强、或替换更深网络

---

参考资料

• Fashion-MNIST: Xiao et al., 2017
• PyTorch 官方教程 https://pytorch.org/tutorials