knn_search.py

# 加载mnist数据
import tensorflow as tf
import numpy as np
import random
from tensorflow.examples.tutorials.mnist import input_data
mnist=input_data.read_data_sets（‘MNIST_data‘one_hot=True）
# 设置属性
trainNum=60000  # 训练图片总数
testNum=10000   # 测试图片总数
trainSize=50000   # 训练时候用到的图片数量
testSize=5      # 测试时候用到的图片数量
k=4             # 距离最小的K个图片
# 生成不重复的随机数trainIndex:（500）testIndex:（5）
trainIndex=np.random.choice（55000trainSizereplace=False）
testIndex=np.random.choice（testNumtestSizereplace=False）
print（trainIndex.shapetestIndex.shape）
# 生成训练数据
trainData=mnist.train.images[trainIndex]
trainLabel=mnist.train.labels[trainIndex]
# 生成测试数据
testData=mnist.test.images[testIndex]
testLabel=mnist.test.labels[testIndex]
print（‘trainData.shape=‘trainData.shape）
print（‘trainLabel.shape=‘trainLabel.shape）
print（‘testData.shape=‘testData.shape）
print（‘testLabel.shape=‘testLabel.shape）
print（‘testLabel=‘testLabel）

# 设置训练数据的变量
trainDataInput=tf.placeholder（shape=[None784]dtype=tf.float32）
trainLabelInput=tf.placeholder（shape=[None10]dtype=tf.float32）
testDataInput=tf.placeholder（shape=[None784]dtype=tf.float32）
testLabelInput=tf.placeholder（shape=[None10]dtype=tf.float32）
# 使用曼哈顿距离来计算KNN距离
f1=tf.expand_dims（testDataInput1）      # 用expand_dim（）来增加维度将原来的testDataInput扩展成三维的f1:（?1784）
f2=tf.subtract（trainDataInputf1）       # subtract（）执行相减操作，即 trainDataInput-testDataInput 最终得到一个三维数据
f3=tf.reduce_sum（tf.abs（f2）reduction_indices=2）    # tf.abs（）求数据绝对值tf.reduce_sum（）完成数据累加，把数据放到f3中
# 执行
with tf.Session（） as sess:
    p1=sess.run（f1feed_dict={testDataInput:testData[0:testSize]}）  # 取testData中的前testSize个样本来代替输入的测试数据
    print（p1）
    print（‘p1=‘p1.shape）
    p2=sess.run（f2feed_dict={trainD