TensorFlow系列（2）——KNN算法实现

本文的目的是进一步熟悉tensorflow的使用，在MNIST数据集（应用非常广泛的一个入门级计算机视觉数据集）上实现KNN算法，KNN算法的介绍在之前的文章中有写到过（http://blog.csdn.net/flysky1991/article/details/51944482），这里就不详细介绍了。实现代码如下所示：

# -*- coding: utf-8 -*-"""Created on Sun Jul  9 21:21:20 2017@author: Administrator"""import numpy as npimport tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data  #导入MNIST数据集mnist = input_data.read_data_sets("/tmp/data",one_hot=True)print(mnist)#从MNIST数据集中筛选出5000条数据用作测试train_X,train_Y = mnist.train.next_batch(5000)#从MNIST数据集中筛选出200条数据用作测试test_X,test_Y = mnist.test.next_batch(100)#图输入train2_X = tf.placeholder("float",[None,784])test2_X = tf.placeholder("float",[784])#使用L1距离计算KNN距离计算distance = tf.reduce_sum(tf.abs(tf.add(train2_X,tf.negative(test2_X))),reduction_indices=1)#预测：取得最近的邻居节点pred = tf.arg_min(distance,0)accuracy = 0#变量初始化init = tf.global_variables_initializer()#启动图with tf.Session() as sess:    sess.run(init)    #遍历测试数据集    for i in range(len(test_X)):        #获取最近的邻居节点        nn_index = sess.run(pred,feed_dict={train2_X:train_X,test2_X:test_X[i,:]})        #获取最近的邻居节点的类别标签，并将其与该节点的真实类别标签进行比较        print("测试数据",i,"预测分类:",np.argmax(train_Y[nn_index]),"真实类别:",np.argmax(test_Y[i]))        #计算准确率        if np.argmax(train_Y[nn_index]) == np.argmax(test_Y[i]):            accuracy += 1./len(test_X)    print("分类准确率为:",accuracy)

运行结果如下图所示：

上述图片展示的是当训练数据集为5000条时的结果，此时分类准确率为0.94。在保持测试数据集数量不变的情况下，将训练数据集规模改为50000，分类准确率就提升到了0.99.由此可见，训练数据集的规模对算法的性能也有非常明显的影响。