CS231n_1_assignment1_KNN做题笔记

笔记

KNN部分

1.python中一个向量，每个元素平方后求和：

方法1

sum = 0
for item in vector:
	sum += item*item

方法2

summ = numpy.sum(vector**2)  # 不知可否？

2.CPU运算速度和运算量问题

只使用像素数据，求一张图片和另外5000张图片之间的L2 Distance，利用两层for循环实现。Intel® Core™ i7-4790 CPU @ 3.60GHz × 8 的配置，计算了几分钟了还没输出结果。。
怀疑是否在运算，那查看一下CPU使用率，linux系统咋看？在终端使用top命令

mortimerli@mortimerli-All-Series:~$ top

发现有一个cpu使用率100%，放心了，在运算，等着就行了。计算了大概10分钟终于输出结果了。。

3.KNN如何找到最近的m个样例（predict_labels）

1. 首先，对于test数据集中的一张图，得找到它和training数据集中5000张图片最小的欧式距离，并返回下标：

   根据提示，查了一下numpy.argsort()

   indexes = np.argsort(dists[i,:])
   # 使用默认参数时，对一个向量的所有元素从小到大进行排序，按顺序返回下标
   

2. 找到下标之后，要找到这些下标对应什么label，并找到最多的那个label，把它当作给这张test图片预测的标签：
   最直接的想法是，记录每一个label记录出现的次数，求最大值（感觉会有更好的方法？）

     def predict_labels(self, dists, num_classes ,  k=1):
       num_test = dists.shape[0]
       y_pred = np.zeros(num_test)
       
       for i in xrange(num_test):  # 行循环
         closest_samples_for_one_test_sample = np.argsort(dists[i,:])  # 对一个向量的所有元素从小到大进行排序，按顺序返回下标
         for j in range(k):
               closest_k_indexes = closest_samples_for_one_test_sample[0:k]
               closest_y = self.y_train[closest_k_indexes]  # 标签，是一堆数
   
         count = np.zeros(num_classes)
         for item in closest_y:
               for mm in range(num_classes):
                   count[mm] += ((item == mm)+0)
                   
         index_of_maxcount