斯坦福大学计算机视觉 k-Nearest Neighbor (kNN) exercise 学习笔记

1.CS231n 第一次作业KNN中本地CIFAR10数据集载入过程中，在jupyter下运行，报错：

FileNotFoundError: [Errno 2] No such file or directory: 'cs231n/datasets/cifar-10-batches-py\\data_batch_1'

原因是下面这段代码调用数据集的时候出错，

cifar10_dir = 'cs231n/datasets/cifar-10-batches-py'

因为该文件夹下没有数据集文件。 解决方法是去百度网盘下载CIFAR数据集，提取码为qd4v 然后直接用绝对地址调用数据集即可。

# Load the raw CIFAR-10 data. cifar10_dir = 'F:\CIFAR10' X_train, y_train, X_test, y_test = load_CIFAR10(cifar10_dir) # As a sanity check, we print out the size of the training and test data. print('Training data shape: ', X_train.shape) print('Training labels shape: ', y_train.shape) print('Test data shape: ', X_test.shape) print('Test labels shape: ', y_test.shape)

2.可视化数据集代码部分解析

# Visualize some examples from the dataset. # We show a few examples of training images from each class. classes = ['plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck'] num_classes = len(classes) samples_per_class = 7 for y, cls in enumerate(classes): idxs = np.flatnonzero(y_train == y) idxs = np.random.choice(idxs, samples_per_class, replace=False) for i, idx in enumerate(idxs): plt_idx = i * num_classes + y + 1 plt.subplot(samples_per_class, num_classes, plt_idx) plt.imshow(X_train[idx].astype('uint8')) plt.axis('off') if i == 0: plt.title(cls) plt.show()

idxs = np.flatnonzero(y_train == y)第一次循环y=0，np.flatnonzero的作用是将矩阵转成扁平非0形式，这句主要是将训练集中类别为plane的所有图片的位置找到。 然后idxs = np.random.choice(idxs, samples_per_class, replace=False)是从中随机选出7张，np.random.choice()括号后面的三个参数分别表示从idxs中随机选出samples_per_class个，replace=False表示抽出后不放回，保证选出的图片不会重复。 第一个for循环主要是选出每个类别的7张图片，第二个for循环将每个类别的图片按列显示出来。

3.将图像数据整形为行的代码

# Reshape the image data into rows X_train = np.reshape(X_train, (X_train.shape[0], -1)) X_test = np.reshape(X_test, (X_test.shape[0], -1)) print(X_train.shape, X_test.shape)

其中X_train = np.reshape(X_train, (a,b))表示将X_train数组变成a行b列的形式，若a,b中出现了-1，数组新的shape属性应该要与原来的配套，如果出现-1的话，那么Numpy会根据剩下的维度计算出数组的另外一个shape属性值。 比如此处，X_train.shape[0]得到X_train数组的第一个维度的值，因为X_train本身是一维的，-1后不会再有其他列出现，这样就可以将X_train数组整形为一行。

4.array_split函数用法

x = np.arange(8.0) np.array_split(x, 3) #原array为： #array([ 0., 1., 2., 3., 4., 5., 6., 7.]) #拆分后： #[array([ 0., 1., 2.]), array([ 3., 4., 5.]), array([ 6., 7.])]

5.numpy函数shape的用法

建立一个4×2的矩阵c, c.shape[1] 为第一维的长度，c.shape[0] 为第二维的长度

>>>c = array([[1,1],[1,2],[1,3],[1,4]]) >>>c.shape (4, 2) >>>c.shape[0] 4 >>>c.shape[1] 2

6.dtype用于获取数组中元素的类型

#dtype用于获取数组中元素的类型 print(b.dtype) #>>>int64 x,y,z=1,2,3 c=np.array([x,y,z]) print(c.dtype) #>>>int64 d=np.array([1+2j,2+3j,3+4j]) print(d.dtype) #>>>complex128

7.numpy.argmin用法

numpy.argmin(a, axis=None, out=None)

给出axis方向最小值的下标

>>> a = np.arange(6).reshape(2,3) >>> a array([[0, 1, 2], [3, 4, 5]]) >>> np.argmin(a) 0 >>> np.argmin(a, axis=0) array([0, 0, 0]) >>> np.argmin(a, axis=1) array([0, 0])

8.argsort函数用法

argsort函数返回的是数组值从小到大的索引值

One dimensional array:一维数组 >>> x = np.array([3, 1, 2]) >>> np.argsort(x) array([1, 2, 0]) Two-dimensional array:二维数组 >>> x = np.array([[0, 3], [2, 2]]) >>> x array([[0, 3], [2, 2]]) >>> np.argsort(x, axis=0) #按列排序 array([[0, 1], [1, 0]]) >>> np.argsort(x, axis=1) #按行排序 array([[0, 1], [0, 1]])

9.numpy.bincount用法

# 我们可以看到x中最大的数为7，因此bin的数量为8，那么它的索引值为0->7 x = np.array([0, 1, 1, 3, 2, 1, 7]) # 索引0出现了1次，索引1出现了3次......索引5出现了0次...... np.bincount(x) #因此，输出结果为：array([1, 3, 1, 1, 0, 0, 0, 1]) # 我们可以看到x中最大的数为7，因此bin的数量为8，那么它的索引值为0->7 x = np.array([7, 6, 2, 1, 4]) # 索引0出现了0次，索引1出现了1次......索引5出现了0次...... np.bincount(x) #输出结果为：array([0, 1, 1, 0, 1, 0, 1, 1])

10.python numpy.linalg.norm函数的用法 1、linalg = linear（线性）+ algebra（代数），norm则表示范数。

difference = np.linalg.norm(dists - dists_one, ord='fro') print('Difference was: %f' % (difference, )) if difference < 0.001: print('Good! The distance matrices are the same') else: print('Uh-oh! The distance matrices are different')

其中，ord='fro'表示使用Frobenius范数，求的是两个矩阵所有元素的差值的均方根，即它们之间的欧氏距离（L2）。

参考链接：

numpy.reshape( )用法总结 python: numpy–函数 shape用法 CS231n 第一次作业KNN中本地CIFAR10数据集的载入 numpy——hsplit函数、vsplit函数、array_split函数 Python-辨析type/dtype/astype用法 numpy.argmin使用