当前位置：首页 > news >正文

Kuzushiji-MNIST数据集详解：从MNIST到日本古典文学的完美替代

news 2026/7/15 15:08:27

Kuzushiji-MNIST数据集详解：从MNIST到日本古典文学的完美替代

【免费下载链接】kmnistRepository for Kuzushiji-MNIST, Kuzushiji-49, and Kuzushiji-Kanji项目地址: https://gitcode.com/gh_mirrors/km/kmnist

如果您正在寻找一个比传统MNIST更具挑战性且文化意义丰富的深度学习基准数据集，那么Kuzushiji-MNIST（简称KMNIST）绝对是您的完美选择！这个创新的数据集不仅继承了MNIST的简洁性和易用性，还引入了日本古典文学中的草书字符识别挑战，为机器学习社区带来了全新的研究方向。

🎯 什么是Kuzushiji-MNIST？

Kuzushiji-MNIST是一个专门为深度学习研究设计的基准数据集，它完美替代了经典的MNIST手写数字数据集。与MNIST一样，KMNIST包含70,000张28×28像素的灰度图像，分为10个类别，训练集60,000张，测试集10,000张。然而，最大的不同在于：KMNIST不是识别数字0-9，而是识别日本古典文献中的草书平假名字符！

上图展示了Kuzushiji-MNIST的10个类别，第一列显示了每个字符对应的现代平假名

🌟 为什么选择Kuzushiji-MNIST？

1. 解决MNIST的局限性

传统的MNIST数据集虽然简单易用，但已经变得"太简单"了——现代深度学习模型在MNIST上轻松达到99%以上的准确率，这使得它难以区分不同模型的性能差异。Kuzushiji-MNIST提供了更真实的挑战，能够更好地评估模型的真实能力。

2. 文化保护与数字人文

Kuzushiji（草书）是日本江户时代及更早时期使用的书写风格，现代日本人中能阅读这种文字的人不足0.01%。通过创建这个数据集，研究团队旨在利用深度学习技术保护和数字化日本古典文化遗产。

3. 完美的MNIST替代品

KMNIST与MNIST完全兼容——相同的图像尺寸（28×28）、相同的训练/测试分割比例（6:1）、相同的数据格式。这意味着您可以直接用KMNIST替换现有代码中的MNIST，无需任何修改！

📊 数据集家族概览

Kuzushiji数据集家族包含三个不同规模的数据集：

Kuzushiji-MNIST (KMNIST)

规模：70,000张图像
类别：10个（每个类别代表平假名表的一行）
尺寸：28×28像素
特点：完全平衡，与MNIST格式完全兼容

###Kuzushiji-49 (K49)

规模：270,912张图像
类别：49个（48个平假名字符+1个重复标记）
尺寸：28×28像素
特点：更大但类别不平衡，建议使用平衡准确率评估

###Kuzushiji-Kanji (KKanji)

规模：140,424张图像
类别：3,832个汉字字符
尺寸：64×64像素
特点：高度不平衡，从1,766个样本到仅1个样本不等

Kuzushiji-Kanji数据集展示了日本古典文献中的汉字字符多样性

🚀 快速开始指南

一键下载数据

项目提供了便捷的下载脚本，让您轻松获取所需数据集：

python download_data.py

运行这个脚本后，您可以通过交互式菜单选择要下载的数据集和格式。脚本支持两种数据格式：

MNIST格式：与原始MNIST完全相同的.ubyte.gz格式
NumPy格式：更易使用的.npz格式

使用NumPy格式加载数据

如果您选择NumPy格式，加载数据非常简单：

import numpy as np # 加载训练图像和标签 x_train = np.load('kmnist-train-imgs.npz')['arr_0'] y_train = np.load('kmnist-train-labels.npz')['arr_0'] print(f"训练集大小: {x_train.shape}") print(f"标签集大小: {y_train.shape}")

基准模型示例

项目提供了现成的基准模型代码，位于benchmarks/目录中：

CNN基准模型：benchmarks/kuzushiji_mnist_cnn.py - 使用Keras实现的简单卷积神经网络
KNN基准模型：benchmarks/kuzushiji_mnist_knn.py - 4-最近邻分类器基准

📈 性能基准与结果

Kuzushiji-MNIST为各种机器学习模型提供了有意义的性能比较平台。以下是一些代表性结果：

模型	MNIST准确率	Kuzushiji-MNIST准确率	Kuzushiji-49平衡准确率
4-最近邻基准	97.14%	92.10%	83.65%
Keras简单CNN	99.06%	94.63%	89.36%
PreActResNet-18	99.56%	97.82%	96.64%
PreActResNet-18 + Input Mixup	99.54%	98.41%	97.04%
Shake-Shake-26 2x96d	99.76%	99.34%	-

注意：部分结果基于旧版本数据集，更新后的版本性能略有提升。

🔧 技术细节与最佳实践

数据预处理

与MNIST类似，Kuzushiji-MNIST数据已经过标准化处理，但您可能需要进行一些额外的预处理：

# 数据标准化 x_train = x_train.astype('float32') / 255 x_test = x_test.astype('float32') / 255 # 根据后端调整通道顺序 if K.image_data_format() == 'channels_first': x_train = x_train.reshape(x_train.shape[0], 1, 28, 28) else: x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)

评估指标选择

Kuzushiji-MNIST：使用标准准确率（top-1 accuracy）
Kuzushiji-49：使用平衡准确率（balanced accuracy），因为数据集类别不平衡
Kuzushiji-Kanji：由于高度不平衡，需要特殊考虑评估指标

类别映射

每个数据集都提供了类别映射文件，将数字标签映射到实际字符：

KMNIST: kmnist_classmap.csv
K49: k49_classmap.csv

💡 实际应用场景

1. 教育用途

Kuzushiji-MNIST是教授深度学习课程的理想选择。与MNIST相比，它提供了：

更真实的分类挑战
跨文化学习体验
数字人文的实际应用案例

2. 算法研究

研究人员可以使用KMNIST来：

测试新的神经网络架构
评估数据增强技术的效果
比较不同优化算法的性能
研究少样本学习策略

3. 文化遗产保护

这个数据集为文化遗产数字化提供了实际的应用场景，展示了如何利用现代技术保护濒危文化。

📚 学术引用

如果您在研究中使用了Kuzushiji数据集，请引用以下论文：

@online{clanuwat2018deep, author = {Tarin Clanuwat and Mikel Bober-Irizar and Asanobu Kitamoto and Alex Lamb and Kazuaki Yamamoto and David Ha}, title = {Deep Learning for Classical Japanese Literature}, date = {2018-12-03}, year = {2018}, eprintclass = {cs.CV}, eprinttype = {arXiv}, eprint = {cs.CV/1812.01718}, }