cs231n之KNN算法

1.环境搭建以及前置条件

• 1.前置环境：
  • 1.mac
  • 2.pycharm
  • 3.python3
  • 4.Anaconda
• 2.环境搭建：
  • 1.官网下载并安装Anaconda
  • 2.官网下载并安装pycharm
  • 3.在pycharm中使用Anaconda
    • 1.preference-->project-->project interpreter
    • 2.将Anaconda的解释器当做一个project interpreter添加
  • 4.下载assignment1作业项目并导入pycharm中，作业下载 。
  • 5.下载数据集并解压到assignment1作业项目的 assignment1/cs231n/datasets/中。数据集下载
  • 6.执行数据集中的.sh文件使得数据集可用
• 3.前置知识：numpy、python、SciPy基础学习，教程

2.KNN知识了解

1.两张图片的图片距离

对于两张图片来说我们如何量化这两张图片的相似度呢？计算机科学家给出了两个简单的方法：曼哈顿距离和欧氏距离

• 1.L1距离（曼哈顿距离）：给定两张 32*32 像素的图片i1和i2，那么可以将其看做两个 32*32 的矩阵。公式： 曼哈顿距离公式

  解释：两个矩阵相减之后，再对该矩阵的所有值取绝对值，最后将该矩阵所有值相加。最后得出的值就是两张图片的距离。

• 2.L2距离（欧氏距离）：还是给定两张 32*32 像素的图片i1和i2，将这两张图片一维化，即拉伸成一个1024*1的矩阵。公式： 欧式距离公式
  解释：在一个二维的坐标系中A(x1 , y1),B(x2 , y2)这两点的距离公式是： 二维欧氏公式 ，那么这两个矩阵的距离就可以推广为在一个1024维的坐标系上两点的距离

2.KNN的基本思想

从1中我们可以根据公式计算出两张图片的相似度在接下来设为A，我们再假设我们有n张可供训练的图片每张图片被称为Tn，对于训练图片我们都知道该图片到底属于哪个种类的图片，如猫、狗等，所以这里设第Tn张图片的种类为CTn。然后有m张可供测试的图片，每张图片被称为Cm，对于测试图片我们也知道该图片到底属于哪个种类，所以这里设第Cm张图片的种类为CCm。那么某张测试图片和某张训练图片的相似度就可以被称为Anm。

• 1.对于某一Cm来说，我们需要与每一Tn进行相似度计算，此时对于该Cm来说就有n个Anm。
• 2.从1中的n个Anm中取出k个最小值，这里的意思为为Cm找出最相似的k张图片。此时获取的Anm我们称为Akm。
• 3.因为我们知道每个Tn的种类，所以此时我们为Cm找到了k个CTn，也就是与该图片最相似的k个种类
• 4.由于Cm的k个CTn中可能会有重复的种类，所以我们要对这k个种类进行统计，最终找出数量最多的种类，此时这个种类就是我们预测该图片的种类，这里我们记该种类为CmCTn。
• 5.上面1-4我们只是对某一张测试图片进行了预测，接下来我们就按照上面的操作，对所有测试图片进行同样的操作，此时我们就能获取到m个CmCTn。
• 6.最后就是计算KNN的准确率了，因为我们知道每个Cm的种类，所以可以判断出m个CmCTn中哪些是预测正确的，哪些是预测错误的，继而算出KNN的准确率

3.KNN代码

1.我的项目

• 1.先上一个github吧，会持续更新直到把cs231n课程学习完：cs231n
• 2.我的项目目录： 项目目录

2.代码解析

展示一下整体的KNN算法流程等等会按照这个图中代码一行行向下讲，建议结合github上面的代码食用更佳。 KNN算法

• 1.导入几个常见的和我定义模块：numpy、pyplot、load_cifar10（我写的读取文件用的）、KNearestNeighbor（KNN的具体算法）
• 2.通过load_cifar10 获取到数据，我定义一个cs231n/classifiers/data_util.py的文件用来作为数据读取工具类。 data_util
  • 1.我们从load_cifar10这个方法讲起：先定义了两个数组xs和ys
  • 2.进入一个循环，从我的目录截图我们可以看见，数据文件的命名是data_batch_？，后面的问号表示1-5.
    • 1.先获取到某个数据文件名
    • 2.将文件传入到load_cifar_batch方法中去从中获取数据
      • 1.打开该文件
      • 2.使用pickle库将文件以字节流的形式读入内存，并且反序列化成numpy的对象
      • 3.定义x,y分别为numpy的图片矩阵数组 和 numpy的图片类型数组，每张图片都对应着一个图片类型，如猫、狗等等
      • 4.将x图片矩阵数组重新展开成，10000张图片每张图片为32*32*3像素。
      • 5.将y展开成与x中10000张图片一一对应的图片类型
      • 6.返回x，y
    • 3.获取到某个文件中的全部图片矩阵数组和全部图片类型数组之后，将其放入前面数组中，就这样一直循环，直到所有的文件数据都被放入到数组中
  • 3.将xs和ys这连个数组平铺，也就是最后获取到了 50000张32*32*3像素的图片和对应图片的类型。
  • 4.将测试数据，进行上面一样的操作，最后返回获取到的数据
• 2.展示一下数据的信息，看看读取是否有问题
• 3.定义训练图片数量num_training，这里大家可以减少一些从而减少训练所需时间
• 4.获取到mask这个数值num_training的范围，然后获取到具体需要的训练图片数量和对应图片类型x_train和y_train
• 5.定义测试图片的数量num_test，同理获取具体的x_test和y_test
• 6.将测试图片和训练图片降维，例如把原来10000*32*32*3的矩阵伸张成10000*3072的矩阵，也就是将每张图片平铺成一个一维数组，这样在后面计算的时候更加方便。
• 7.定义一个KNN的分类器classifier，将x_train,y_train放入其中，等等接下来的训练
• 8.前面我们在KNN的基本思想中提到了，对于一张测试图片来说，我们计算了其与全部测试图片的距离，然后会取出前k个距离最小的图片，所以这里我们定义了一个k从1-10的数组，称为ks.
• 9.定义一个num_correct数组，用来储存在不同的k下，正确预测的测试图片数量
• 10.定义一个accuracy数组，用来储存在不同的k下，预测成功的概率
• 11.进入一个循环，循环在不同的k下的结果
  • 1.用上了前面定义的分类器，传入测试图片集和当前的k： 预测图片结果
    • 1.这里有三种不同的方式来计算图片的L2距离，我们这里讲解比较简单的一种，方便读者了解。当num_loops=2的时候就是我们要讲的方法： 两次循环计算L2距离
      • 1.先获取测试图片的数量num_test，再获取训练图片的数量num_train
      • 2.建立一个num_test*num_train大的矩阵dists，用来储存接下来计算出的L2距离
      • 3.两层循环嵌套以然后用前面说到的公式计算L2距离，然后将结果储存到对应的dists中
      • 4.将dists返回
    • 2.获取到了L2距离矩阵之后，将其与k传入predict_labels方法中，用来获取每张测试图片的预测图片种类： 获取预测的图片种类
      • 1.获取到测试图片的数量num_test
      • 2.定义一个num_test大的数组y_pred用于储存预测图片种类结果
      • 3.进入循环中
        • 1.先在dists中对第i张测试图片的全部L2距离进行从小到大排序，获得了数组y_indicies
        • 2.截取前k个第i张测试图片的L2距离，得到了closest_y
        • 3.最后找到第i张测试图片的closest_y中数量最多的图片类别，存入y_pred中。
      • 4.返回预测的结果数组
  • 2.回到初始调用的地方，此时我们已经获取了在当前的k下，全部的测试图片的预测结果。将预测结果与实际结果进行比较，获取到了预测成功的数量num。
  • 3.向num_correct中添加当前的结果，向accuracy添加当前的准确率
• 12.以k为自变量，accuracy为因变量，绘制出曲线并寻找在k为多少的时候，预测的准确率最高。