MNIST手写数字识别实验（KNN）

最新推荐文章于 2023-11-02 11:06:52 发布

原创

最新推荐文章于 2023-11-02 11:06:52 发布 · 1.7k 阅读

7 ·

CC 4.0 BY-SA版权

本文介绍了使用KNN算法进行MNIST手写数字识别的实验过程。数据预处理后，发现未经优化的KNN计算量巨大。通过采样降低计算复杂性，但即便如此，不同k值下的正确率仅达到20%左右。引入二值化处理后，正确率显著提升至96.3%，但k值对结果的影响不明显。

数据集：MINST
数据预处理参考了https://blog.youkuaiyun.com/simple_the_best/article/details/75267863
处理出来有用的信息也就是 $28 \times 28$ 的矩阵和Label信息。
KNN的实现:

def KNN(train_dataset, train_labels, input_vec, distance, k=1):
    dis_labels = []
    n = len(train_dataset)
    for i in range(n):
        vec = train_dataset[i]
        label = train_labels[i]
        dis_labels.append([distance(vec, input_vec

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

BanFcc

关注关注

0
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

【人工智能】新手版手写数字识别

weixin_63669071的博客

04-03

4995

MNIST数据集包含60000个训练集和10000测试数据集。分为图片和标签，图片是28x28的像素矩阵，标签为0~9共10个数字所搭建的网络不包括输入层的情况下，共有7层：5个卷积层、2个全连接层其中第一个卷积层的输入通道数为数据集图片的实际通道数。MNIST数据集为灰度图像，通道数为1 第1个卷积层输出与第3个卷积层输出做残差作为第4个卷积层的输入，第4个卷积层的输入与第5个卷积层的输出做残差作为第1个全连接层的输入# 定义多层卷积神经网络#动态图定义多层卷积神经网络z = yy = y+z。

【深度学习】: MNIST手写数字识别

chen695969的博客

02-03

3422

MNIST手写数字识别数据集是图像分类领域最常用的数据集之一，它包含60,000张训练图片，10,000张测试图片，图片中的数字均被缩放到同一尺寸且置于图像中央，图片大小为28×28。MNIST数据集中的每个样本都是一个大小为784×1的矩阵(从28×28转换得到)。MNIST数据集中的数字包括0到9共10类，如下图所示。注意，任何关于测试集的信息都不该被引入训练过程。在本次案例中，我们将构建多层感知机来完成MNIST手写数字识别。

参与评论您还未登录，请先登录后发表或查看评论

手写数字识别：实验报告

05-30

AIstudio手写数字识别项目的实验报告，报告中有代码链接。文档包括： 1.数据预处理 2.数据加载 3.网络结构尝试：简单的多层感知器、卷积神经网络LeNet-5、循环神经网络RNN、Vgg16 4.损失函数：平方损失函数、交叉熵函数 5.优化算法：adagrad、adadelta、Adam、decayedAdagrad、Adamax、Ftrl 6.实验结果截图：准确率、混淆矩阵最后是实验总结。

KNN算法经典实例之手写数字识别

数据森麟

03-12

2700

作者：奶糖猫来源：奶糖猫1.算法简介手写数字识别是KNN算法一个特别经典的实例，其数据源获取方式有两种，一种是来自MNIST数据集，...

10.机器学习sklearn-------手写数字识别实例

热门推荐

bxg1065283526的博客

04-24

2万+

1.概念介绍：图像识别（Image Recognition）是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。机器学习领域一般将此类识别问题转化为分类问题。手写识别是常见的图像识别任务。计算机通过手写体图片来识别出图片中的字，与印刷字体不同的是，不同人的手写体风格迥异，大小不一，造成了计算机对手...

精选资源

基于MindSpore的MNIST手写体识别实验

04-16

基于华为自研MindSpore深度学习框架构建网络模型，实现MNIST手写体识别实验。包含可运行源码、运行结果演示视频，本地MindSpore详细配置教程（私信可远程配置）本例子会使用MindSpore深度学习框架实现一个简单的...

mnist手写字体识别之KNN.zip

07-02

《MNIST手写字体识别：基于KNN的Python实现》 MNIST（Modified National Institute of Standards and Technology）数据库是计算机视觉领域的一个经典数据集，它包含了大量的手写数字图像，常用于训练和测试各种图像...

精选资源

KNN手写数字识别,knn手写数字识别mnist,Python

08-09

**KNN手写数字识别**是一种常见的机器学习算法，它基于**最近邻原则**来对新数据进行分类。在这个场景中，我们关注的是利用KNN算法实现对手写数字的识别，尤其是在MNIST数据集上的应用。MNIST是Machine Learning领域...

mnist手写数字识别

10-17

MNIST手写数字识别是人工智能领域的一个经典任务，主要用于初学者了解和实践深度学习与图像识别技术。这个任务的目标是训练一个模型，使得它能够准确地识别0到9之间的手写数字。在这个过程中，我们将涉及以下几个...

用kNN实现MNIST手写数字识别

dominic_ding的专栏

02-10

1955

做这个试验，主要是为了自己敲代码巩固对kNN和python一些基本语法的认识。1.kNN的核心是分类算法，代码主要借鉴自《机器学习实战》第二章源码。2.从MNIST导出数据形成自己需要的格式，借鉴了python-mnist0.5，参看https://github.com/sorki/python-mnist/blob/master/mnist/loader.py3.对numpy的使用，贯穿了各个代...

利用贝叶斯分类器实现手写数字识别（实验报告）

01-27

利用贝叶斯分类器实现手写数字识别，要数据的可以发私信，有测试集和训练集。太大不布出来。

KNN手写数字识别MNIST库

01-19

KNN编写的书写数字识别。MNIST手写数字库。用到tf函数下载MNIST库，需要安装TensorFlow。如果没有安装，需要手动导入数据。

手写数字识别--深度学习实验

明确目标，不畏艰难，持之以恒

11-02

2934

两种方法实现手写数字识别

机器学习_KNN实验（手写数字的识别）

qq_40464371的博客

11-26

2990

kNN实验手写数字识别实验内容使用K-NN算法识别数字0-9，实现最基本的KNN算法，使用trainingDigits文件夹下的数据，对testDigits中的数据进行预测。（K赋值为1，使用欧氏距离，多数投票决定分类结果）改变K的值，并观察对正确率的影响。更改距离度量方式，更改投票方式（距离加权），分析错误率。实验要求 1.要求给出代码，以及运行窗口截图。 2.K对正确率的影响，...

kaggle——Digit Recognizer MNIST手写数字识别（KNN版）

weixin_56184890的博客

05-01

759

1）目标任务网址：kaggle_Digit Recognizer MNIST（“国家标准技术研究院”）是计算机视觉的事实上的“ hello world”数据集。自从1999年发布以来，这个经典的手写图像数据集已成为基准分类算法的基础。随着新的机器学习技术的出现，MNIST仍然是研究人员和学习者的可靠资源。在这场比赛中，您的目标是从数万个手写图像的数据集中正确地识别数字。我们策划了一系列教程风格的内核，涵盖了从回归到神经网络的所有内容。我们鼓励您尝试不同的算法，以第一手学习什么有效，以及如何比较技术。

深度学习03—手写数字识别实例（Tensorflow版实验）

m0_55196097的博客

08-15

5305

（以图片中的二分类问题为例）

用KNN做手写数字识别(mnist)

whai的专栏

07-03

2万+

一. KNN的原理 KNN的主要思想是找到与待测样本最接近的k个样本，然后把这k个样本出现次数最多的类别作为待测样本的类别。二. 数据源 mnist数据集，包含42000张28*28的图片，可以从网盘下载http://pan.baidu.com/s/1kVi1nc7，下载完解压后如下图所示：三. 处理方法 1. 把图片读取到一个28*28的矩阵里，然后对图片进行一个简单的二值化，

从零开始的机器学习（手写数字识别实验）

有关我的科研的足迹、算法竞赛的日子、生活记录。

09-05

1220

从零开始的机器学习个人用手写数字识别实验〇、下载数据下载mnist数据集 from pathlib import Path import requests DATA_PATH = Path("data") PATH = DATA_PATH / "mnist" PATH.mkdir(parents=True, exist_ok=True) URL = "https://github.com/pytorch/tutorials/raw/master/_static/" FILENAME = "m

【深度学习】手写数字识别Tensorflow2实验报告

BetterBench的博客

07-03

2万+

实验一：手写数字识别一、实验目的利用深度学习实现手写数字识别，当输入一张手写图片后，能够准确的识别出该图片中数字是几。输出内容是0、1、2、3、4、5、6、7、8、9的其中一个。二、实验原理（1）采用用全连接神经网络训练全连接神经网络模型是一种多层感知机(MLP)，感知机的原理是寻找类别间最合理、最具有鲁棒性的超平面，感知机最具代表的是SVM支持向量机算法。神经网络同时借鉴了感知机和仿生学，通常来说，动物神经接受一个信号后会发送各个神经元，各个神经元接受输入后根据自身判断，激活产生输出信号后汇总从

mnist手写数字识别matlab kNN

最新发布

01-11

### 实现MNIST手写数字识别的kNN算法为了在MATLAB中实现基于MNIST数据集的手写数字识别，可以遵循以下方法来构建完整的解决方案。 #### 数据预处理加载并准备MNIST数据集是至关重要的一步。通常情况下，可以从官方或其他可信资源下载该数据集，并将其转换成适合用于机器学习模型的形式： ```matlab % 加载 MNIST 数据集 (假设已经下载好) load('mnist.mat'); % 这里假定文件名为 'mnist.mat' train_images = double(train_images); test_images = double(test_images); % 归一化像素值到 [0, 1] 范围内 train_images = train_images / 255; test_images = test_images / 255; % 将图像展平为向量形式 num_train_samples = size(train_images, 4); num_test_samples = size(test_images, 4); image_height = size(train_images, 1); image_width = size(train_images, 2); X_train = reshape(permute(train_images, [3 1 2]), num_train_samples, image_height * image_width)'; X_test = reshape(permute(test_images, [3 1 2]), num_test_samples, image_height * image_width)'; y_train = train_labels'; y_test = test_labels'; ``` #### kNN分类器定义接下来定义一个简单的函数来进行最近邻查找。这里使用欧氏距离作为相似度衡量标准： ```matlab function predictions = knn_predict(X_train, y_train, X_test, k) num_test = size(X_test, 2); predictions = zeros(num_test, 1); for i = 1:num_test distances = sqrt(sum((bsxfun(@minus, X_train', X_test(:,i).')).^2)); [~, idx] = sort(distances); %#ok<ASGLU> closest_y = y_train(idx(1:k), :); [values, ~, ic] = unique(closest_y, 'rows'); counts = accumarray(ic, 1); [~, maxIdx] = max(counts); predictions(i) = values(maxIdx); end end ``` 此部分实现了对测试样本逐个计算其与所有训练样本之间的欧式距离，并选取最小的距离对应的类别标签作为预测结果[^1]。 #### 训练与评估最后，调用上述编写的`knn_predict()` 函数完成整个过程，并统计准确率: ```matlab k_value = 5; % 设置合适的K值 predicted_labels = knn_predict(X_train, y_train, X_test, k_value); accuracy = sum(predicted_labels == y_test) / length(y_test); disp(['Accuracy: ', num2str(accuracy)]); ``` 值得注意的是，选择恰当的$ k $值对于获得良好的性能至关重要。如果$ k $值设得太大，则可能会引入噪声；反之则可能导致过拟合现象发生[^4]。