tensorflow基本模型：近邻取样（笔记）

代码如下

#近邻取样
import numpy as np
import tensorflow as tf
#Import MNIST data载入MNIST数据
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('/tmp/data/',one_hot=True)
#限制使用的mnist数据的数量
Xtr, Ytr = mnist.train.next_batch(5000)#5000个作为训练使用
Xte, Yte = mnist.test.next_batch(200)#200个用于测试
#计算图的输入
xtr = tf.placeholder('float',[None,784])
xte = tf.placeholder('float',[784])
#计算曼哈顿距离
distance = tf.reduce_sum(tf.abs(tf.add(xtr,tf.negative(xte))),reduction_indices=1)
#预测：获取最近距离的下标
pred = tf.arg_min(distance,0)
accuracy = 0
#初始化变量
init = tf.global_variables_initializer()
#开始测试
with tf.Session() as sess:
    #初始化图中的变量
    sess.run(init)
    for i in range(len(Xte)):
        #获取当前样本的最近近邻索引
        #向占位符传入训练数据
        nn_index = sess.run(pred,feed_dict={xtr:Xtr, xte:Xte[i,:]})
        #最近邻分类标签与真实标签比较
        print('Test',i,'Prediction:',np.argmax(Ytr[nn_index]),\
              "True Class:",np.argmax(Yte[i]))
        #计算精确度
        if np.argmax(Ytr[nn_index]) == np.argmax(Yte[i]):
            accuracy +=1./len(Xte)
    print('Done!')
    print('Accuracy',accuracy)

运行后部分结果