C231n Assignment 1 作业(1) K Nearest-Neighbour K最近邻分类器实现

目录

 

一、Assignment 1 课程作业要求

二、数据集下载及处理 

三、KNN分类器实现

3.1 KNN分类器实现的基本步骤

3.2 建立KNN 分类器类

3.3 训练过程

3.4 测试过程

3.4.1 计算测试图像和训练集所有图像的L2距离

3.4.2 记录与测试图像距离最近的K个训练图像，并更新出现次数最多的那个序号为标签序号

3.4.3 调用KNN分类器 进行图像分类，并计算准确率

3.5 验证过程

---

一、Assignment 1 课程作业要求

具体原版要求见链接http://cs231n.github.io/assignments2019/assignment1/  给不能FQ的同志搬运下

对cifar10 数据进行图像数据的10分类，分别有以下要求

1: k-Nearest Neighbor classifier (20 points)   求解链接

2: Training a Support Vector Machine (25 points) 求解链接

3: Implement a Softmax classifier (20 points) 求解链接

4: Two-Layer Neural Network (25 points) 求解链接

5: Higher Level Representations: Image Features (10 points)

 

本文仅完成KNN部分 ，其他部分请点击上面相关求解链接

 

二、数据集下载及处理 

基本的数据集下载，数据简单批处理，参考https://github.com/Halfish/cs231n/blob/master/assignment1/knn.ipynb中，将下载后的cifar10数据集解压

data_utils.py:

# -*- coding: utf-8 -*-
"""
Created on Sat Feb 29 12:57:18 2020
data_utils.py
@author: acer
"""
import pickle
import numpy as np 
import os 

def load_cifar_batch(filename): 
    with open(filename,'rb') as f : 
        datadict=pickle.load(f,encoding='bytes') 
        x=datadict[b'data'] 
        y=datadict[b'labels'] 
        x=x.reshape(10000,3,32,32).transpose(0,2,3,1).astype('float') 
        y=np.array(y) 
        #以数组形式输出
        return x,y 
#root 为cifar文件根目录
def load_cifar10(root_path): 
    xs=[] 
    ys=[] 
    # 训练集1-5
    for b in range(1,2): #这里只选10000张作为训练集
        # 读取训练集图片
        f=os.path.join(root_path,'data_batch_%d' % (b,)) 
        #每批读取
        x,y=load_cifar_batch(f) 
        #累加 x y 将5批数据合并
        xs.append(x) 
        ys.append(y) 
        #数组拼接
        Xtrain=np.concatenate(xs) 
        Ytrain=np.concatenate(ys) 
    del x ,y 
    # 读取测试集图片
    Xtest,Ytest=load_cifar_batch(os.path.join(root_path,'test_batch'))   
    return Xtrain,Ytrain,Xtest,Ytest

建立读取数据训练的主文件main.py,调用函数读取并显示cifar10图片

main.py:

import numpy as np
from data_utils import load_cifar10
import matplotlib.pyplot as plt

#提取数据
x_train,y_train,x_test,y_test = load_cifar10('.\cifar-10-python\cifar-10-batches-py')
x_test = x_test[0:2000,:]
y_test = y_test[0:2000]
print('training data shape:',x_train.shape) 
print('training labels shape:',y_train.shape) 
print('test data shape:',x_test.shape) 
print('test labels shape:',y_test.shape)

#载入数据
classes=['plane','car','bird','cat','deer','dog','frog','horse','ship','truck'] 
num_classes=len(classes) 
samples_per_class=3
for y ,cls in enumerate(classes): 
    idxs=np.flatnonzero(y_train==y)
    idxs=np.random.choice(idxs,samples_per_class,replace=False) 
    for i ,idx in enumerate(idxs): 
        plt_idx=i*num_classes+y+1 
        plt.subplot(samples_per_class,num_classes,plt_idx) 
        plt.imshow(x_train[idx].astype('uint8'))
        plt.axis('off') 
        if i==0: 
            plt.title(cls) 
plt.show()

三、KNN分类器实现

我们要做的就是建立一个KNN分