图像识别：利用KNN实现手写数字识别（mnist数据集）

步骤：

1、数据的加载（trainSize和testSize不要设置的太大）

2、k值的设定（不宜过大）

3、KNN的核心：距离的计算

4、k个最近的图片-->根据下标寻找对应的标签

5、根据标签转化成相应的数字

6、检测概率统计

在我看来，KNN算法最大的优点是简单，准确率较高；

最大的缺点是：当数据量较大时，计算量成倍增长，测试集与训练集之间的任意两个元素之间都要计算距离。

注意1：trainSize和testSize不要设置的太大，如果过大，数据处理中产生更加庞大的数据，内存溢出，导致程序崩溃。

注意2：k值的设定太大会提高计算机的计算量，而且会一定程度上降低准确率。

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets('D:/MNIST_data', one_hot=True)
trainNum = 55000
testNum = 10000
trainSize = 500
testSize = 5
k = 4# data 分解
trainIndex = np.random.choice(trainNum, trainSize, replace=False)
testIndex = np.random.choice(testNum, testSize, replace=False)
trainData = mnist.train.images[trainIndex]  # 训练图片
trainLabel = mnist.train.labels[trainIndex]  # 训练标签
testData = mnist.test.images[testIndex]  # 测试图片
testLabel = mnist.test.labels[testIndex]  # 测试标签# 利用placeholder来完成数据的加载
trainDataInput = tf.placeholder(shape=[None, 784], dtype=tf.float32)
trainLabelInput = tf.placeholder(shape=[None, 10], dtype=tf.float32)
testDataInput = tf.placeholder(shape=[None, 784], dtype=tf.float32)
testLabelInput = tf.placeholder(shape=[None, 10], dtype=tf.float32)# KNN的距离
f1 = tf.expand_dims(testDataInput, 1)  # 维度扩展
f2 = tf.subtract(trainDataInput, f1)  # 二者之差
f3 = tf.reduce_sum(tf.abs(f2), reduction_indices=2)
f4 = tf.negative(f3)  # 取反
f5, f6 = tf.nn.top_k(f4, k=k)  # 最大的四个值 f5表示的是数据 f6表示的该数据所处的下标
f7 = tf.gather(trainLabelInput, f6)  # 根据f6下标去寻找trainLabelInput中对应的标签
f8 = tf.reduce_sum(f7, reduction_indices=1)
f9 = tf.argmax(f8, dimension=1)with tf.Session() as sess:p9 = sess.run(f9, feed_dict={trainDataInput: trainData, testDataInput: testData, trainLabelInput: trainLabel})p10 = np.argmax(testLabel, axis=1)print('预测值:', p9)print('真实值:', p10)j = 0
for i in range(0, testSize):if p10[i] == p9[i]:j += 1
print('accuracy:', j*100/testSize)

作死设置了一回，电脑是游戏本，屏幕出现卡顿，加速球爆满，还好运行出来了

设置的过高，直接报错，资源耗尽。

训练集数量和K值该如何确定

从上图可以看出，trainSize不是设置的越高越好，在满足较高准确率的同时，又不能使计算量过于庞大，需要把握训练数据集的大小。

从上图可以看出，K值的设置过大反而会在一定程度上降低预测的准确率，所以设置k值时，需要对数据集有一定的了解，并且在一定的范围内取值。

图像识别：利用KNN实现手写数字识别（mnist数据集）相关推荐

Pytorch实战1：LeNet手写数字识别 (MNIST数据集)
版权说明:此文章为本人原创内容,转载请注明出处,谢谢合作! Pytorch实战1:LeNet手写数字识别 (MNIST数据集) 实验环境: Pytorch 0.4.0 torchvision 0.2. ...
Python 手写数字识别 MNIST数据集下载失败
目录一.MNIST数据集下载失败 1 失败的解决办法(经验教训): 2 亲测有效的解决方法: 一.MNIST数据集下载失败场景复现:想要pytorch+MINIST数据集来实现手写数字识别,首先就 ...
使用Pytorch实现手写数字识别(Mnist数据集)
目标知道如何使用Pytorch完成神经网络的构建知道Pytorch中激活函数的使用方法知道Pytorch中torchvision.transforms中常见图形处理函数的使用知道如何训练模型和 ...
手写数字识别MNIST数据集下载百度网盘链接快速下载
介绍 MNIST数据集是机器学习领域中非常经典的一个数据集,由60000个训练样本和10000个测试样本组成,每个样本都是一张28 * 28像素的灰度手写数字图片. 下载官方链接:http://ya ...
吴裕雄 python 神经网络——TensorFlow实现AlexNet模型处理手写数字识别MNIST数据集...
import tensorflow as tf# 输入数据 from tensorflow.examples.tutorials.mnist import input_datamnist = inpu ...
python实现lenet_吴裕雄 python 神经网络TensorFlow实现LeNet模型处理手写数字识别MNIST数据集...
importtensorflow as tf tf.reset_default_graph()#配置神经网络的参数 INPUT_NODE = 784OUTPUT_NODE= 10IMAGE_SIZE= ...
GAN变种ACGAN利用手写数字识别mnist生成手写数字
1.摘要本文主要讲解:GAN变种ACGAN利用手写数字识别mnist数据集进行训练,最终生成手写数字图片主要思路: Initialize generator and discriminator I ...
【python】机器学习算法(KNN)入门——手写数字识别
前言嗨喽~大家好呀,这里是魔王呐 ! 最近邻 (k Nearest Neighbors, KNN)算法是一种分类算法 1968年由Cover和Hart提出,应用场景有宁符识别.文本分类. 图像识别等 ...
课程设计(毕业设计)—基于机器学习KNN算法手写数字识别系统—计算机专业课程设计(毕业设计)
机器学习KNN算法手写数字识别系统下载本文手写数字识别系统完整的代码和课设报告的链接(或者可以联系博主koukou(壹壹23七2五六98),获取源码和报告):https://download.csd ...

图像识别：利用KNN实现手写数字识别（mnist数据集）

图像识别：利用KNN实现手写数字识别（mnist数据集）

训练集数量和K值该如何确定

图像识别：利用KNN实现手写数字识别（mnist数据集）相关推荐

最新文章

热门文章