导入相关包
import operator
import matplotlib.pyplot as plt
import numpy as np
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
库解释:
operator
模块:提供了许多Python内置操作符的函数形式,以及其他一些有用的函数,例如排序、查找等。matplotlib.pyplot
模块:提供了绘制各种图表的函数,如折线图、散点图、柱状图等。numpy
库:它是Python中科学计算的基础包,提供了许多高效的科学计算功能。torch.utils.data
模块:提供了许多用于处理数据的实用程序,如数据集、数据处理,以及数据加载工具等。datasets
模块:提供了许多常用的数据集,如MNIST数据集、CIFAR-10数据集等。transforms
模块:提供了许多数据预处理工具,如数据归一化、数据转换等。
通过torchvision
中的datasets
和transforms
来加载训练集和测试集,并且将其转换为Tensor类型。同时指定batch_size并通过DataLoader
来实现数据的加载。
batch_size = 100
train_dataset = datasets.MNIST(
root="./data/",
train=True, # 表示下载的是训练集
transform=transforms.ToTensor(), # 将训练集中的数据转换为 Tensor 类型
download=True) # 在线下载
test_dataset = datasets.MNIST(
root="./data/",
train=False, # 表示下载的是测试集
transform=transforms.ToTensor(),
download=True)
加载数据
训练集包括60000个样本,测试数据集包括10000个样本。
在MNIST数据集中,每张图片均由28 $\times$ 28的像素展开为一个一维的行向量,这些行向量就是图片数组里的行(每行784个值,或者说每行就代表了一张图片)
训练集以及测试集的标签包含了相应的目标变量,也就是手写数字的类标签
train_loader = DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=True)
图片就是比较28×28的像素块。最简单的方法就是逐个像素进行比较,最后将差异值全部相加。
两张图片使用L1距离来进行比较。逐个像素求差值,然后将所有差值加起来得到一个数值。如果两张图片一模一样,那么L1距离为0,但是如果两张图片差别很大,那么,L1的值将会非常大。
接下来实现了KNN算法的分类函数KNN_classify
。
其中,通过欧拉距离或曼哈顿距离来计算测试数据和训练数据之间的距离,并选取距离最近的前k个数据进行分类,使用字典class_count
来记录每个类别出现的次数,最后得到测试数据的预测标签。
def KNN_classify(k, dis, train_data, train_label, test_data):
assert dis == 'E' or dis == 'M', 'dis must be E or M, E代表欧拉距离,M代表曼哈顿距离'
num_test = test_data.shape[0] # 测试样本的数量
label_list = []
if dis == 'E':
# 欧拉距离的实现
for i in range(num_test):
distances = np.sqrt(np.sum(((train_data - np.tile(test_data[i], (train_data.shape[0], 1))) ** 2), axis=1))
nearest_k = np.argsort(distances)
top_k = nearest_k[:k] # 选取前k个距离
class_count = {}
for j in top_k:
class_count[train_label[j]] = class_count.get(train_label[j], 0) + 1
sorted_class_count = sorted(class_count.items(), key=operator.itemgetter(1), reverse=True)
label_list.append(sorted_class_count[0][0])
else:
# 曼哈顿距离
for i in range(num_test):
distances = np.sum(np.abs(train_data - np.tile(test_data[i], (train_data.shape[0], 1))), axis=1)
nearest_k = np.argsort(distances)
top_k = nearest_k[:k]
class_count = {}
for j in top_k:
class_count[train_label[j]] = class_count.get(train_label[j], 0) + 1
sorted_class_count = sorted(class_count.items(), key=operator.itemgetter(1), reverse=True)
label_list.append(sorted_class_count[0][0])
return np.array(label_list)
进行归一化处理后再进行分类
在getXmean
函数中,对所有训练数据的像素均值求出,用centralized
函数对所有数据进行中心化处理,即将其减去均值,实现领均值化。
def getXmean(data):
image = np.reshape(data, (data.shape[0], -1))
# 将该三维数组转换为一个二维数组,其中每行表示一个图像的像素值。data.shape[0]表示要重新形状的数组的第一维度的长度,而-1表示我们想要numpy自动计算该数组的第二维度的长度,以使总元素数量不变。
mean_image = np.mean(image, axis=0) # 计算每列的平均值
return mean_image
def centralized(data, mean_image):
data = data.reshape((data.shape[0], -1))
data = data.astype(np.float64)
data -= mean_image # 减去图像均值,实现领均值化
return data
在if __name__ == '__main__':
中,将训练数据和测试数据进行数据处理和归一化,使用KNN算法进行训练和测试,最后得到测试的分类准确率。
if __name__ == '__main__':
# 训练数据
train_data = train_loader.dataset.data.numpy() # 张量转换为numpy数组
mean_image = getXmean(train_data) # 计算所有图像均值
train_data = centralized(train_data, mean_image) # 对训练集图像进行均值化处理
print(train_data.shape)
train_label = train_loader.dataset.targets.numpy()
print(train_label.shape)
# 测试数据
test_data = test_loader.dataset.data[:1000].numpy()
test_data = centralized(test_data, mean_image) # 对测试集数据进行均值化处理
print(test_data.shape)
test_label = test_loader.dataset.targets[:1000].numpy()
print(test_label.shape)
# 训练
test_label_pred = KNN_classify(5, 'E', train_data, train_label, test_data)
# 得到训练准确率
num_test = test_data.shape[0]
num_correct = np.sum(test_label == test_label_pred)
print(num_correct)
accuracy = float(num_correct) / num_test
print('Got %d / %d correct => accuracy: %f' % (num_correct, num_test, accuracy))
运行截图: