• Python 3.5 +
• Scikit-Learn（最新版本）
• Numpy（对于 Windows，则为 + mkl）
• 马特普洛特库

1. 四个 MNIST 数据集文件已经放在knn模型下， MNIST_Dataset_Loader 文件夹内的 dataset 文件夹中，（如需训练其他模型，请将四个数据集复制到相应的dataset文件夹中）即：

KNN
|_ MNIST_Dataset_Loader
   |_ dataset
      |_ train-images-idx3-ubyte
      |_ train-labels-idx1-ubyte
      |_ t10k-images-idx3-ubyte
      |_ t10k-labels-idx1-ubyte

对 SVM 和 RFC 文件夹执行此操作，您应该可以开始了。

3. 要运行代码，请使用命令提示符导航到要运行代码的目录之一：

cd 1. K Nearest Neighbors/

然后运行文件 “knn.py” ，如下所示：

python knn.py

或

python3 knn.py

这将运行代码，并且所有 print 语句都将记录到 “summary.log” 文件中。

注意：如果您想在命令提示符下查看要打印的输出，只需注释掉第 16、17、18、106 和 107 行，这样您就可以在屏幕上获得所有打印结果。

或者，您也可以使用 PyCharm 运行代码并在其中运行“.py”文件。

对 SVM 和 RFC 代码重复上述步骤。

4. 要运行 CNN 代码，您无需在 MNIST 数据集中提供，因为它会自动下载。

只需将文件运行为 ：

python CNN_MNIST.py

或

python3 CNN_MNIST.py

它应该运行良好。

5. 如果要在训练后保存 CNN 模型权重，请使用以下参数运行代码：

python CNN_MNIST.py --save_model 1 --save_weights cnn_weights.hdf5

或

python3 CNN_MNIST.py --save_model 1 --save_weights cnn_weights.hdf5

它应该将模型权重保存在同一个目录中。

6. 要加载保存的模型权重并再次避免训练时间，请使用以下命令：

python CNN_MNIST.py --load_model 1 --save_weights cnn_weights.hdf5

或

python3 CNN_MNIST.py --load_model 1 --save_weights cnn_weights.hdf5

它应该加载模型并显示 Outputs。

i） K 最近邻：96.67%

ii） SVM：97.91%

iii） 随机森林分类器：96.82%

i） 使用 Tensorflow 的三层卷积神经网络：99.70%

ii） 使用 Keras 和 Theano 的三层卷积神经网络：98.75%

所有代码均使用 Python 3.5 编写。在 Intel Xeon 处理器/AWS EC2 服务器上执行的代码。

https://www.youtube.com/watch?v=7kpYpmw5FfE