import numpy as np
import torch
from torch.utils.data import DataLoader
from torch.utils.data import Dataset
import torchvision.datasets as dsets
import matplotlib.pyplot as plt
import operator
import warnings
warnings.filterwarnings('ignore')
batch_size = 100
# Cifar10 dataset
train_dataset = dsets.CIFAR10(root='/ml/pycifar', # 选择数据的根目录
train=True, # 选择训练集
download=True) # 从网上下载图片
test_dataset = dsets.CIFAR10(root='/ml/pycifar', # 选择数据的根目录
train=False, # 选择测试集
download=True) # 从网上下载图片
#加载数据集
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset ,batch_size=batch_size,shuffle=True)
classes = ('plane','car','bird','cat','deer','dog','flog','horse','ship','truck')
digit = train_loader.dataset.data[20000]
# plt.imshow(digit,cmap=plt.cm.binary)
# plt.show()
# print(classes[train_loader.dataset.targets[20000]])
def getmean(X_train):
X_train = np.reshape(X_train,(X_train.shape[0],-1)) # 将图片从二维展开为一维
mean_image = np.mean(X_train,axis=0) # 求解出训练集中所有图片每个像素位置上的平均值
return mean_image
def centralized(X_test,mean_image):
X_test = np.reshape(X_test,(X_test.shape[0],-1)) # 将图片从二维展开为一维
X_test = X_test.astype(np.float) # 将数据类型转为浮点型
X_test = X_test - mean_image # 减去均值图像,实现零均值化
return X_test
def KNN_classify(k,dis,X_train,Y_train,X_test):
# assert dis == 'E' or dis == 'M' 'dis must E or M ; E代表欧式距离,M代表曼哈顿距离'
num_test = X_test.shape[0] #表示测试数据集的个数
labellist = []
'''
使用欧式距离公式作为距离度量
'''
if (dis == 'E'):
for i in range(num_test):
#实现欧式距离的计算公式
distances = np.sqrt(np.sum(((X_train - np.tile(X_test[i],(X_train.shape[0],1))) ** 2) , axis=1))
nearest_k = np.argsort(distances) #距离由小到大进行排序,并返回 index 值
topk = nearest_k[:k] # 选取前 K 个距离的点
classCount = {}
for j in topk: # 依次遍历这 K 个点
classCount[Y_train[j]] = classCount.get(Y_train[j],0) + 1
# operator.itemgetter(1) 表示取出对象维度为 1 的数据
sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
labellist.append(sortedClassCount[0][0])
return np.array(labellist)
'''
使用曼哈顿距离公式作为距离度量
'''
if (dis == 'M'):
for i in range(num_test):
#实现曼哈顿距离的计算公式
distances = np.sum(np.abs(X_train - np.tile(X_test[i],(X_train.shape[0],1))),axis=1)
nearset_k = np.argsort(distances) #距离由大到小进行排序,并返回 index 值
topk = nearset_k[:k] # 选取前 K 个距离的点
'''
下面开始进行类别计数,并对类别号进行排序,输出类别数目最多的作为该点的类别
'''
classCount = {} # 定义了一个字典
for j in topk: # 依次遍历这 K 个点
# 注意此处的 get 函数,因为没有设置 Y_train[j] 这个键的值,因此默认输出为 0
classCount[Y_train[j]] = classCount.get(Y_train[j],0) + 1 #类别计算器,用来计算类别
sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True) #对类别计数器进行排序,选择类别最多的一个作为该测试集的类别
labellist.append(sortedClassCount[0][0])
return np.array(labellist)
X_train = train_loader.dataset.data
mean_image1 = getmean(X_train)
X_train = centralized(X_train,mean_image1)
y_train = train_loader.dataset.targets
X_test = test_loader.dataset.data[:100]
mean_image2 = getmean(X_test)
X_test = centralized(X_test,mean_image2)
y_test = test_loader.dataset.targets[:100]
num_test = len(y_test)
y_test_pred = KNN_classify(6,'E',X_train,y_train,X_test) #使用没有封装好的类
num_correct = np.sum(y_test_pred == y_test)
accuracy = float(num_correct)/num_test
print('KNN实现Cifar10数据分类得精确度为'+str(accuracy*100)+'%')
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
python实现源码 一个深度学习代码练习仓库,主要包含了李沐老师的动手学习深度学习课程的相关代码实现。 主要功能点 实现了从零开始的深度学习模型,如线性回归、Softmax 回归、多层感知机等。 实现了经典的卷积神经网络模型,如 LeNet、AlexNet、VGG 等。 实现了一些前沿的深度学习模型,如 GoogLeNet、ResNet 等。 实现了循环神经网络模型,如 RNN、GRU、LSTM 等。 实现了一些常见的深度学习任务,如图像分类、房价预测等。 技术栈 Python, PyTorch
资源推荐
资源详情
资源评论
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![exe](https://img-home.csdnimg.cn/images/20210720083343.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
收起资源包目录
![package](https://csdnimg.cn/release/downloadcmsfe/public/img/package.f3fc750b.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
共 1 条
- 1
资源评论
![avatar-default](https://csdnimg.cn/release/downloadcmsfe/public/img/lazyLogo2.1882d7f4.png)
![avatar](https://profile-avatar.csdnimg.cn/ed455cf87e1b477e899510a00920b7e5_runnymmede.jpg!1)
FL1623863121
- 粉丝: 3599
- 资源: 3156
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback-tip](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)