很糟糕， 这篇文章本来应该在周二晚上就发布的，但是我在周3早上又写了一篇，导致对周二晚上的那篇产生了覆盖。这里就当复习一遍。
首先是需要下载数据集，下载到cs231n里面。数据下载地址
下载之后，放到对应的位置。就可以看一下图片是怎么样的。
完成之后，进行一个reshape的操作， 把四维张量转换为2维矩阵。
4维张量为(5000*32*32*3）5000张图片，每个图片大小为32*32，因为每个像素有三种颜色。所以乘以3.
reshape之后的训练集的大小为5000*3072
这里面有很重要的一段在knn.ipynb box7里面。
open cs231n/classifiers/k_nearest_neighbor.py and implement compute_distances_two_loops.
knn.ipynb box7 直接对compute_distances_two_loops 进行了调用。这里我先完成一下compute_distances_two_loops 函数。
compute the distance between each test point in X and each training point in self.X_train using a nested loop over both the training data and the test data
Inputs:
- X: A numpy array of shape(num_test, D) containing test data.
Returns:
- dists: A numpy array of shape(num_test, num_train) where dists[i, j]
is the Euclidean distance between the ith test point and the jth training point.
上面的要求大概就是让写一个函数，计算每一个X里面的test point 到每一个X_train point 的距离通过嵌套循环training_data 和 the test data。
这里的输入就是一个numpy array. 包含测试数据。
输出也是一个numpy array. shape 是（num_test, num_train) .而且每一个[i, j]的位置都是ith test 点和jth train点的欧式距离。
def compute_distances_two_loops(self, X):
num_test = X.shape[0] # 这里传入的X是待测试的数据集。这里取行数。总共500个测试图片。
num_train = self.X_train.shape[0] #具体到这里， self.X_train 是训练数据集。def train里面已经定义了。self.X_train = X。 这里同样取行数。总共5000个训练图片
dists = np.zeros((num_test, num_train)) # 这里是创建一个零阶矩阵， shape是（num_test, num_train) 也就是(500, 5000)
for i in range(num_test):
for j in range(num_train):
dists[i][j] = sum((X[i] - self.X_train[j]) ** 2)**0.5
# 这里是求欧式距离sqrt((x[0] - x1[0])**2 + (x[1] - x1[1]) ** 2....)
#这里还有一种numpy 的解法。
# dists[i][j] = np.linalg.norm(X[i] - self.X_train[j])
return dists
np.linalg.norm 使用方法。
x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)
linalg = linear(线性）+ algebra(代数), norm 则表示范数。
其中x 表示矩阵(可以是一维的)
ord 范数类型
这里只需要我们自己把两个点之间的差值算出来， np.linalg.norm 会自动帮我们算出来结果。
def