TensorFlow----最近算法nearest_neighbor

1. import numpy as np  
2. import tensorflow as tf  
3.   
4. # Import MINST data  
5. import input_data  
6. mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)  
7. #<a target="_blank" href="https://github.com/tensorflow/tensorflow/blob/r0.7/tensorflow/examples/tutorials/mnist/input_data.py">input_data.py</a>  Dataset downloading Loading the entire dataset into numpy array:  
8. #这里主要是导入数据，数据通过input_data.py已经下载到/tmp/data/目录之下了，这里下载数据的时候，需要提前用浏览器尝试是否可以打开  
9. #http://yann.lecun.com/exdb/mnist/，如果打不开，下载数据阶段会报错。而且一旦数据下载中断，需要将之前下载的未完成的数据清空，重新  
10. #进行下载，否则会出现CRC Check错误。read_data_sets是input_data.py里面的一个函数，主要是将数据解压之后，放到对应的位置。  
11. # In this example, we limit mnist data  
12. Xtr, Ytr = mnist.train.next_batch(5000) #5000 for training (nn candidates)  
13. Xte, Yte = mnist.test.next_batch(200) #200 for testing  
14. #mnist.train.next_batch，其中train和next_batch都是在input_data.py里定义好的数据项和函数。此处主要是取得一定数量的数据。  
15. #<code>next_batch</code> 函数可以遍历整个数据集，只返回所需的样本数据集的一部分（为了节省内存和避免加载整个数据集）。  
16.   
17. # Reshape images to 1D  
18. Xtr = np.reshape(Xtr, newshape=(-1, 28*28))  
19. Xte = np.reshape(Xte, newshape=(-1, 28*28))  
20. #将二维的图像数据一维化，利于后面的相加操作。  
21. # tf Graph Input  
22. xtr = tf.placeholder("float", [None, 784])  
23. xte = tf.placeholder("float", [784])  
24. #设立两个空的类型，并没有给具体的数据。这也是为了基于这两个类型，去实现部分的graph。  
25.   
26. # Nearest Neighbor calculation using L1 Distance  
27. # Calculate L1 Distance  
28. distance = tf.reduce_sum(tf.abs(tf.add(xtr, tf.neg(xte))), reduction_indices=1)  
29. # Predict: Get min distance index (Nearest neighbor)  
30. pred = tf.arg_min(distance, 0)  
31. #最近邻居算法，算最近的距离的邻居，并且获取该邻居的下标，这里只是基于空的类型，实现的graph，并未进行真实的计算。  
32. accuracy = 0.  
33. # Initializing the variables  
34. init = tf.initialize_all_variables()  
35. #初始化所有的变量和未分配数值的占位符，这个过程是所有程序中必须做的，否则可能会读出随机数值。  
36. # Launch the graph  
37. with tf.Session() as sess:  
38.     sess.run(init)  
39.   
40.     # loop over test data  
41.     for i in range(len(Xte)):  
42.         # Get nearest neighbor  
43.         nn_index = sess.run(pred, feed_dict={xtr: Xtr, xte: Xte[i,:]})  
44.         # Get nearest neighbor class label and compare it to its true label  
45.         print "Test", i, "Prediction:", np.argmax(Ytr[nn_index]), "True Class:", np.argmax(Yte[i])  
46.         # Calculate accuracy  
47.         if np.argmax(Ytr[nn_index]) == np.argmax(Yte[i]):  
48.             accuracy += 1./len(Xte)  
49.     print "Done!"  
50.     print "Accuracy:", accuracy  
51. #for循环迭代计算每一个测试数据的预测值，并且和真正的值进行对比，并计算精确度。该算法比较经典的是不需要提前训练，直接在测试阶段进行识别 

源码地址：https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/2_BasicModels/nearest_neighbor.py

1.