每天进步一点点 -- pytorch学习：MNIST手写数字初体验

理论计算方法 -- K临近算法(OpenCV轻松入门_面向python)

        K 近邻算法的本质是将指定对象根据已知特征值分类，根据书中给出的内容，我们可以在手写数字识别上进行分析。
        假设我们要让程序识别图20-2中上方的数字（当然，你一眼就知道是“8”，但是现在要让计算机识别出来）。识别的方式是，依次计算该数字图像（即写有数字的图像）与下方数字图像的距离，与哪个数字图像的距离最近（此时k=1），就认为它与哪幅图像最像，从而确定这幅图像中的数字是多少。
  从特征值提取和数字识别两方面展开介绍：
 

 特征值提取

        步骤1：我们把数字图像划分成很多小块，如图20-3所示。该图中每个数字被分成5行4列，共计5×4=20个小块。此时，每个小块是由很多个像素点构成的。当然，也可以将每一个像素点理解为一个更小的子块。
        为了叙述上的方便，将这些小块表示为B（Bigger），将B内的像素点，记为S（Smaller）。因此，待识别的数字“8”的图像可以理解为：
        ● 由5行4列，共计5×4=20个小块B构成。
        ● 每个小块B内其实是由M×N个像素（更小块S）构成的。为了描述上的方便，假设每个小块大小为10×10=100个像素。

         步骤2：计算每个小块B内，有多少个黑色的像素点。或者这样说，计算每个小块B内有多少个更小块S是黑色的。
        仍以数字“8”的图像为例，其第1行中：
        ● 第1个小块B共有0个像素点（更小块S）是黑色的，记为0。
        ● 第2个小块B共有28个像素点（更小块S）是黑色的，记为28。
        ● 第3个小块B共有10个像素点（更小块S）是黑色的，记为10。
        ● 第4个小块B共有0个像素点（更小块S）是黑色的，记为0。
以此类推，计算出数字“8”的图像中每一个小块B中有多少个像素点是黑色的，如图20-4所示。我们观察后会发现，不同的数字图像中每个小块B内黑色像素点的数量是不一样的。正是这种不同，使我们能用该数量（每个小块B内黑色像素点的个数）作为特征来表示每一个数字。

        步骤3：<