A GPU-assisted hyperparameter search for a dense TensorFlow classifier on the official Fashion-MNIST split. The project evaluates 12 configurations × 3 folds = 36 fits, keeps the 10,000-image test set untouched during selection.
| Metric | Result |
|---|---|
| Best batch size | 32 |
| Best hidden width | 128 neurons |
| Best optimizer | Adam |
| Mean 3-fold validation accuracy | 0.8841 |
| Held-out test accuracy | 0.8748 |
| Complete search time | 929.09 seconds |
The most difficult class was Shirt (F1 0.67), while Trouser, Bag, Sandal, and both footwear classes were classified substantially more reliably.
- Executed notebook with all 36 fit logs, classification report, heatmap, and confusion matrix
- Reusable TensorFlow/SciKeras experiment module with deterministic seeds
- Captured run and class-level metrics in CSV
- Tests that verify the search contract and completed notebook conclusions
The complete search is designed for Python 3.10–3.12 and benefits from a CUDA-capable TensorFlow runtime:
python -m pip install -e ".[dev]"
python -m fashion_gridsearch.experiment
pytestThe Fashion-MNIST loader downloads the official 60,000 training and 10,000 test images automatically. GPU availability changes runtime, not the experiment definition.
Fashion-MNIST was created by Zalando Research as a drop-in image-classification benchmark: 70,000 grayscale 28×28 images across 10 balanced classes, with the official 60,000/10,000 split. The source dataset is MIT-licensed and is not duplicated in this repository.
Aaron Fernandez Pinto, Data Science student at Universidad Autónoma de Baja California (UABC).
Español
Una búsqueda de hiperparámetros asistida por GPU para un clasificador denso de TensorFlow sobre la división oficial de Fashion-MNIST. El proyecto evalúa 12 configuraciones × 3 folds = 36 ajustes, mantiene intacto el conjunto de prueba de 10,000 imágenes durante la selección.
| Métrica | Resultado |
|---|---|
| Mejor tamaño de batch | 32 |
| Mejor ancho de capa oculta | 128 neuronas |
| Mejor optimizador | Adam |
| Accuracy media de validación con 3 folds | 0.8841 |
| Accuracy del conjunto de prueba apartado | 0.8748 |
| Tiempo completo de búsqueda | 929.09 segundos |
La clase más difícil fue Shirt (F1 0.67), mientras que Trouser, Bag, Sandal y ambas clases de calzado se clasificaron con una confiabilidad sustancialmente mayor.
- Notebook ejecutado con los 36 registros de ajustes, reporte de clasificación, mapa de calor y matriz de confusión
- Módulo reutilizable de experimento TensorFlow/SciKeras con semillas deterministas
- Métricas capturadas de la ejecución y por clase en CSV
- Pruebas que verifican el contrato de búsqueda y las conclusiones del notebook terminado
La búsqueda completa está diseñada para Python 3.10–3.12 y se beneficia de un entorno TensorFlow compatible con CUDA:
python -m pip install -e ".[dev]"
python -m fashion_gridsearch.experiment
pytestEl cargador de Fashion-MNIST descarga automáticamente las 60,000 imágenes oficiales de entrenamiento y las 10,000 de prueba. La disponibilidad de GPU cambia el tiempo de ejecución, no la definición del experimento.
Fashion-MNIST fue creado por Zalando Research como benchmark intercambiable de clasificación de imágenes: 70,000 imágenes en escala de grises de 28×28 distribuidas en 10 clases balanceadas, con la división oficial 60,000/10,000. El conjunto fuente tiene licencia MIT y no se duplica en este repositorio.
Aaron Fernandez Pinto, estudiante de Ciencia de Datos en la Universidad Autónoma de Baja California (UABC).