CS231n-KNN模型分类Cifar10

从效果看来，KNN并不适合图像识别，它的识别更多基于背景，而不是图片的语义主体。所以在实际应用中我们一般不适用KNN识别图像，但是在学习过程中，通过KNN算法我们可以学习到图像识别的整个流程，对我们的帮助是非常大的

图像识别流程

无论是哪种分类算法，图像识别的流程主要为以下流程

• 输入图像：一般来说，输入的是图像的像素值
• 训练模型：通过输入的图像来训练模型
• 评价模型：用测试数据来测试模型的分类能力从而评估模型的泛化能力

在训练模型阶段，由于很多模型都会有或多或少的参数需要设定（这些参数我们称为“超参”），所以我们需要增加一些步骤来确定这些参数，比如验证集或者交叉验证等方法，这些在接下来都会提到

可视化Cifar10数据集

在下载完 cifar10数据集 后，我们首先需要读取cifar10数据集中的数据，这个我就不多介绍了，网上应该也有很多，注意Python版本就可以了，这里使用Python3.5。然后我们随机抽取一部分图像进行可视化

def VisualizeImage(X_train, y_train):
    """可视化数据集

    :param X_train: 训练集
    :param y_train: 训练标签
    :return:
    """
    plt.rcParams['figure.figsize'] = (10.0, 8.0)  # set default size of plots
    plt.rcParams['image.interpolation'] = 'nearest'
    plt.rcParams['image.cmap'] = 'gray'
    classes = ['plane', 'car', 'bird', 'cat', 'deer