本文的目的是进一步熟悉tensorflow的使用，在MNIST数据集（应用非常广泛的一个入门级计算机视觉数据集）上实现KNN算法，KNN算法的介绍在之前的文章中有写到过（http://blog.csdn.net/flysky1991/article/details/51944482），这里就不详细介绍了。实现代码如下所示：
# -*- coding: utf-8 -*- """ Created on Sun Jul 9 21:21:20 2017 @author: Administrator """ import numpy as np import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #导入MNIST数据集 mnist = input_data.read_data_sets("/tmp/data",one_hot=True) print(mnist) #从MNIST数据集中筛选出5000条数据用作测试 train_X,train_Y = mnist.train.next_batch(5000) #从MNIST数据集中筛选出200条数据用作测试 test_X,test_Y = mnist.test.next_batch(100) #图输入 train2_X = tf.placeholder("float",[None,784]) test2_X = tf.placeholder("float",[784]) #使用L1距离计算KNN距离计算 distance = tf.reduce_sum(tf.abs(tf.add(train2_X,tf.negative(test2_X))),reduction_indices=1) #预测：取得最近的邻居节点 pred = tf.arg_min(distance,0) accuracy = 0 #变量初始化 init = tf.global_variables_initializer() #启动图 with tf.Session() as sess: sess.run(init) #遍历测试数据集 for i in range(len(test_X)): #获取最近的邻居节点 nn_index = sess.run(pred,feed_dict={train2_X:train_X,test2_X:test_X[i,:]}) #获取最近的邻居节点的类别标签，并将其与该节点的真实类别标签进行比较 print("测试数据",i,"预测分类:",np.argmax(train_Y[nn_index]),"真实类别:",np.argmax(test_Y[i])) #计算准确率 if np.argmax(train_Y[nn_index]) == np.argmax(test_Y[i]): accuracy += 1./len(test_X) print("分类准确率为:",accuracy)运行结果如下图所示：
上述图片展示的是当训练数据集为5000条时的结果，此时分类准确率为0.94。在保持测试数据集数量不变的情况下，将训练数据集规模改为50000，分类准确率就提升到了0.99.由此可见，训练数据集的规模对算法的性能也有非常明显的影响。
