What This Small Project Is Doing

这个项目是在做一些基础图像的识别。更具体一点说，我使用 TensorFlow / Keras 官方内置的 Fashion-MNIST 数据集，训练一个 MLP 小模型，让它识别 28×28 灰度图片里的服饰类别，并观察 accuracy 和 loss 的变化。

MLP 会先把一张 28×28 的图片通过 Flatten 层拉平成 784 个数字，再交给 Dense 全连接层做分类。这个过程没有用到 CNN，所以它更适合作为我进入深度学习项目的第一个 baseline，而不是一个很强的图像模型。

What I Trained Today

今天完整训练了 1 到 5 个 epoch。根据 loss 曲线和 accuracy 曲线可以看到，随着 epoch 数量增加，loss 整体逐渐减小，accuracy 也相对应增加。完整训练后，测试集 accuracy 大约在 87% 左右，已经接近 90%，但还不能说它是工业级识别系统。

对我来说，这次更重要的不是追求一个特别高的分数，而是顺利完成了一次深度学习项目的破冰行动：从数据加载、预处理、模型搭建、训练、测试评估，到最后输出训练曲线和混淆矩阵，第一次完整跑通了一个小模型。

Where The Model Still Gets Confused

目前这个 MLP 还有明显缺点。它对 shirt、T-shirt/top、pullover、coat 这些外观比较接近的类别容易混淆，因为 Fashion-MNIST 本身是低分辨率灰度图，很多衣物细节被压得很模糊。

在鞋类样本中，部分 sneaker 图像由于分辨率较低、鞋面特征不明显，也容易被 MLP 误判为 sandal。这说明 MLP 对局部形状和空间结构的建模能力有限，后续可以尝试 CNN 来提升图像特征提取能力。

Next Steps, After Finals

后续我会继续学习监督学习和无监督学习，也会比较不同模型，包括 CNN 等，看看它们在同一个图像分类任务上能不能比 MLP 表现更好。

不过还有一周就要进入学校期末周了，所以这个项目可能会先搁浅两周左右。计划是到 7 月 1 日之后再继续推进，把 CNN 版本、结果对比和更完整的项目记录补上。

• Current status: MLP baseline finished as a student learning project.
• Next model direction: CNN for local visual features.
• Presentation boundary: this is a learning baseline, not an industrial recognition system.