標(biāo)簽下載地址

文件內(nèi)容備注

train-images-idx3-ubyte.gz	訓(xùn)練集圖片：55000張訓(xùn)練圖片，5000張驗(yàn)證圖片
train-labels-idx1-ubyte.gz	訓(xùn)練集圖片對(duì)應(yīng)的數(shù)字標(biāo)簽
t10k-images-idx3-ubyte.gz	測(cè)試集圖片：10000張圖片	t表示test，測(cè)試圖片，10k表示10*1000一共一萬(wàn)張圖片
t10k-labels-idx1-ubyte.gz	測(cè)試集圖片對(duì)應(yīng)的數(shù)字標(biāo)簽

對(duì)于每一個(gè)樣本都有一個(gè)對(duì)應(yīng)的標(biāo)簽進(jìn)行唯一的標(biāo)識(shí)，故為一個(gè)監(jiān)督學(xué)習(xí)
操作的每個(gè)圖片必須是灰度圖(單通道0是白色，1是黑色)
對(duì)于標(biāo)簽5401

標(biāo)簽中的4，并不是存儲(chǔ)4這個(gè)數(shù)字，而是存儲(chǔ)十位(0-9)，第五行為黑色，則為1，即0000100000，因?yàn)?所處于第5個(gè)，即描述為：4

KNN最近鄰域法

KNN的根本原理：一張待檢測(cè)的圖片，與相應(yīng)的樣本進(jìn)行比較，如果在樣本圖片中存在K個(gè)與待檢測(cè)圖片相類似的圖片，那么就會(huì)把當(dāng)前這K個(gè)圖片記錄下來(lái)。再在這K個(gè)圖片中找到相似性最大的（例如10個(gè)圖片中有8個(gè)描述的當(dāng)前數(shù)字都是1，那么這個(gè)圖片檢測(cè)出來(lái)的就是1）

裝載圖片：
input_data.read_data_sets('MNIST_data',one_hot=True)
參數(shù)一：當(dāng)前文件夾的名稱
參數(shù)二：one_hot是個(gè)布爾類型，one_hot中有一個(gè)為1，其余都為0

隨機(jī)獲取訓(xùn)練數(shù)組的下標(biāo)：
np.random.choice(trainNum,trainSize,replace=False)
參數(shù)一：隨機(jī)值的范圍
參數(shù)二：生成trainSize這么多個(gè)隨機(jī)數(shù)
參數(shù)三：是否可以重復(fù)
在0-trainNum之間隨機(jī)選取trainSize這么多個(gè)隨機(jī)數(shù)，且不可重復(fù)

import tensorflow as tf import numpy as np import random from tensorflow.examples.tutorials.mnist import input_data # load data 2 one_hot : 1 0000 1 fileName mnist = input_data.read_data_sets('E:\\Jupyter_workspace\\study\\DL\\MNIST_data',one_hot=True)#完成數(shù)據(jù)的裝載，將裝載的圖片放入mnist中 # 屬性設(shè)置 trainNum = 55000#總共需要訓(xùn)練多少?gòu)垐D片 testNum = 10000#測(cè)試圖片 trainSize = 500#訓(xùn)練是需要多少?gòu)垐D片 testSize = 5#測(cè)試多少?gòu)垐D片 k = 4#從訓(xùn)練樣本中找到K個(gè)與測(cè)試圖片相近的圖片，并且統(tǒng)計(jì)這K個(gè)圖片中類別最多的幾，并且把這個(gè)數(shù)作為最終的結(jié)果 # data 分解 1 trainSize 2范圍0-trainNum 3 replace=False #數(shù)據(jù)的分解 #這里使用的是隨機(jī)獲取測(cè)試圖片和訓(xùn)練圖片的下標(biāo)，故每次運(yùn)行的結(jié)果都會(huì)不一樣 trainIndex = np.random.choice(trainNum,trainSize,replace=False)#隨機(jī)獲取訓(xùn)練數(shù)組的下標(biāo) testIndex = np.random.choice(testNum,testSize,replace=False)#隨機(jī)獲取測(cè)試圖片的標(biāo)簽下標(biāo) trainData = mnist.train.images[trainIndex]# 獲取訓(xùn)練圖片 trainLabel = mnist.train.labels[trainIndex]# 獲取訓(xùn)練標(biāo)簽 testData = mnist.test.images[testIndex]# 獲取測(cè)試的數(shù)據(jù) testLabel = mnist.test.labels[testIndex] print('trainData.shape=',trainData.shape)#訓(xùn)練數(shù)據(jù)的維度 500*784 500表示圖片個(gè)數(shù) 圖片的寬高為28*28 = 784，即圖片上有784個(gè)像素點(diǎn) print('trainLabel.shape=',trainLabel.shape)#訓(xùn)練標(biāo)簽的維度 500*10 print('testData.shape=',testData.shape)#測(cè)試數(shù)據(jù)的維度 5*784 print('testLabel.shape=',testLabel.shape)#測(cè)試標(biāo)簽的維度 5*10 print('testLabel=',testLabel) #testLabel是個(gè)五行十列的數(shù)據(jù)，在標(biāo)簽中，所有的數(shù)據(jù)都放在數(shù)組中進(jìn)行表示 ''' testLabel= [[0. 0. 0. 1. 0. 0. 0. 0. 0. 0.] 3--->testData [0][0. 1. 0. 0. 0. 0. 0. 0. 0. 0.] 1--->testData [1][0. 0. 0. 0. 0. 0. 0. 0. 0. 1.] 9--->testData [2][0. 0. 0. 0. 0. 0. 1. 0. 0. 0.] 6--->testData [3][0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]] 4--->testData [4] '''# tf input 784->image trainDataInput = tf.placeholder(shape=[None,784],dtype=tf.float32)#定義訓(xùn)練的數(shù)組，784列的數(shù)據(jù)表示一張完整的圖片，前面的行表示圖片的個(gè)數(shù)這里用None表示 trainLabelInput = tf.placeholder(shape=[None,10],dtype=tf.float32)#列為10，因?yàn)槊總€(gè)數(shù)字都是10維的 testDataInput = tf.placeholder(shape=[None,784],dtype=tf.float32)#定義測(cè)試數(shù)據(jù) testLabelInput = tf.placeholder(shape=[None,10],dtype=tf.float32)#定義測(cè)試標(biāo)簽#KNN的距離公式： #knn distance 5*785. 5*1*784 # 5 500 784 (3D) 2500*784#計(jì)算trainData測(cè)試圖片和trainData訓(xùn)練圖片的距離之差，測(cè)試圖片有5張，訓(xùn)練圖片有500張，每個(gè)維度都是784維，故最后計(jì)算的結(jié)果為一個(gè)三維數(shù)據(jù)，(測(cè)試數(shù)據(jù),訓(xùn)練數(shù)據(jù),二者之差)，會(huì)產(chǎn)生5*500*784個(gè)數(shù)據(jù)，故需要擴(kuò)展testDataInput的維度f1 = tf.expand_dims(testDataInput,1) # 完成當(dāng)前的維度轉(zhuǎn)換，原本的testDataInput是一個(gè)5*785，經(jīng)過(guò)維度轉(zhuǎn)換則成為5*1*784 維度擴(kuò)展 f2 = tf.subtract(trainDataInput,f1)# 完成測(cè)試圖片與訓(xùn)練圖片二者之差，得到的結(jié)果放入784維中，可以通過(guò)sum將這784維的差異累加到一塊，即sum(784) f3 = tf.reduce_sum(tf.abs(f2),reduction_indices=2)# 所有的數(shù)據(jù)都裝載到f2中，因?yàn)橛械木嚯x是負(fù)數(shù)，需要取絕對(duì)值；設(shè)置在第二個(gè)維度上進(jìn)行累加 即：完成數(shù)據(jù)累加取絕對(duì)值之后的784個(gè)像素點(diǎn)之間的差異 #所有的差異距離都放入在放f3中，是個(gè)5*500數(shù)組f4 = tf.negative(f3)# 取反 f5,f6 = tf.nn.top_k(f4,k=4) # 選取f4中所有元素最大的四個(gè)值，因?yàn)閒4是f3的取反，故選取f3中最小的四個(gè)數(shù)值 #f5為f3中最小的數(shù)，f6為這個(gè)最下的數(shù)所對(duì)應(yīng)的下標(biāo)# f6 index->trainLabelInput #f6存儲(chǔ)的是最近的圖片的下標(biāo)，通過(guò)這些下標(biāo)作為索引去獲取圖片的標(biāo)簽 f7 = tf.gather(trainLabelInput,f6)#根據(jù)f6的下標(biāo)來(lái)# f8 f9都是表示數(shù)字的獲取# f8 num reduce_sum reduction_indices=1 '豎直' f8 = tf.reduce_sum(f7,reduction_indices=1)#完成數(shù)字的累加，將f7這個(gè)三維通過(guò)豎直的方向進(jìn)行累加# tf.argmax 選取f8中，某一個(gè)最大的值，并記錄其所處的下標(biāo)index f9 = tf.argmax(f8,dimension=1)# # f9為5張測(cè)試圖片中最大的下標(biāo) test5 image -> 5 num with tf.Session() as sess:# f1 <- testData 5張圖片p1 = sess.run(f1,feed_dict={testDataInput:testData[0:testSize]})#運(yùn)行f1并給其一個(gè)參數(shù)，這個(gè)參數(shù)是testData測(cè)試圖片，testData中總共有5張圖片，這5張圖片維待檢測(cè)的手寫(xiě)數(shù)字print('p1=',p1.shape)# p1= (5, 1, 784) 每個(gè)圖片必須用784維來(lái)表示p2 = sess.run(f2,feed_dict={trainDataInput:trainData,testDataInput:testData[0:testSize]})#運(yùn)行f2 表示訓(xùn)練數(shù)據(jù)和測(cè)試二者對(duì)應(yīng)數(shù)據(jù)做差print('p2=',p2.shape)#p2= (5, 500, 784) 例如：(1,100)表示第2張測(cè)試圖片和第101張訓(xùn)練圖片所有的像素對(duì)應(yīng)做差都放入784中，784都為具體的值，故需要對(duì)784進(jìn)行累加 p3 = sess.run(f3,feed_dict={trainDataInput:trainData,testDataInput:testData[0:testSize]})#print('p3=',p3.shape)#p3= (5, 500)表示(測(cè)試圖片是哪一張，訓(xùn)練圖片是哪一張)print('p3[0,0]=',p3[0,0]) #130.451表示第1張測(cè)試圖片和第1張訓(xùn)練圖片的距離差 knn distance p3[0,0]= 155.812p4 = sess.run(f4,feed_dict={trainDataInput:trainData,testDataInput:testData[0:testSize]})print('p4=',p4.shape)print('p4[0,0]',p4[0,0])p5,p6 = sess.run((f5,f6),feed_dict={trainDataInput:trainData,testDataInput:testData[0:testSize]})#p5= (5, 4) 每一張測(cè)試圖片（5張）分別對(duì)應(yīng)4張最近訓(xùn)練圖片#p6= (5, 4)print('p5=',p5.shape)print('p6=',p6.shape)print('p5[0,0]',p5[0])# 第1張測(cè)試圖片分別對(duì)應(yīng)4張最近訓(xùn)練圖片的值print('p6[0,0]',p6[0])# 第1張測(cè)試圖片分別對(duì)應(yīng)4張最近訓(xùn)練圖片的下標(biāo)p7 = sess.run(f7,feed_dict={trainDataInput:trainData,testDataInput:testData[0:testSize],trainLabelInput:trainLabel})print('p7=',p7.shape)#p7= (5, 4, 10)表示5組4行10列print('p7[]',p7)#5組表示5個(gè)測(cè)試圖片，4行每行表示一個(gè)最近的測(cè)試圖片，每一行中又有10個(gè)元素，這10個(gè)元素分別對(duì)應(yīng)10個(gè)lable標(biāo)簽p8 = sess.run(f8,feed_dict={trainDataInput:trainData,testDataInput:testData[0:testSize],trainLabelInput:trainLabel})print('p8=',p8.shape)#p8=(5,10)print('p8[]=',p8)#5行10列，每一行為f7每一組所對(duì)應(yīng)的豎直方向上的累加p9 = sess.run(f9,feed_dict={trainDataInput:trainData,testDataInput:testData[0:testSize],trainLabelInput:trainLabel})print('p9=',p9.shape)#p9=(5,)是一個(gè)一維數(shù)組，5列print('p9[]=',p9)#每一個(gè)元素表示p8中最大值所對(duì)應(yīng)的下標(biāo)p10 = np.argmax(testLabel[0:testSize],axis=1)#最終標(biāo)簽中的內(nèi)容，統(tǒng)計(jì)一下第2個(gè)維度上的標(biāo)簽print('p10[]=',p10)#若p9和p10的內(nèi)容相同，則檢測(cè)概率為100%j = 0 for i in range(0,5):if p10[i] == p9[i]:j = j+1 print('ac=',j*100/testSize)

總結(jié)

以上是生活随笔為你收集整理的08-KNN手写数字识别的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。