diff --git a/function.py b/function.py
index b1f8c16..a6a6085 100644
--- a/function.py
+++ b/function.py
@@ -1,4 +1,3 @@
-# function.py
 import numpy as np
 import os
 
@@ -25,23 +24,11 @@ import os
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423206"
+name = "詹宇豪"
 
 
-"""
-参数说明:
-- input_vector (numpy array): 输入待分类的样本。
-- dataSet (numpy array): 训练数据集。
-- labels (list or numpy array): 训练集对应的标签。
-- k (int): kNN 算法参数，请**自行设置默认值**，评测时仅会使用其默认值，不修改默认值将**无法通过**评测，**成绩为零**。
-返回值:
-- int: 预测的分类标签。
-"""
-
-
-# 这里写自己的代码实现
-def classify(input_vector, dataSet, labels, k=0):
+def classify(input_vector, dataSet, labels, k=3):
     """
     KNN 分类算法。
 
@@ -49,17 +36,26 @@ def classify(input_vector, dataSet, labels, k=0):
     - input_vector (numpy array): 输入待分类的样本。
     - dataSet (numpy array): 训练数据集。
     - labels (list or numpy array): 训练集对应的标签。
-    - k (int): kNN 算法参数，请**自行设置默认值**，评测时仅会使用其默认值，不修改默认值将**无法通过**评测，**成绩为零**。
+    - k (int): kNN 算法参数，默认 k=3。
 
     Returns:
     - int: 预测的分类标签。
     """
+    # 计算输入样本与训练集中每个样本的欧氏距离
+    distances = np.linalg.norm(dataSet - input_vector, axis=1)
+    # 按距离从小到大排序，选取距离最小的 k 个点
+    nearest_indices = distances.argsort()[:k]
+    # 获取最近邻的 k 个样本对应的标签
+    nearest_labels = np.array(labels)[nearest_indices]
+    # 统计 k 个邻居中出现频率最高的标签
+    unique_labels, counts = np.unique(nearest_labels, return_counts=True)
+    # 返回出现次数最多的标签
+    return unique_labels[np.argmax(counts)]
 
 
-# 这里也写自己的代码实现
 def load_dataset(directory):
     """
-    从文件夹中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**。
+    从文件夹中加载数据，若不自行正确实现，则无法通过评测，不记录成绩。
 
     Args:
     - directory (str): 数据文件夹路径。
@@ -68,9 +64,19 @@ def load_dataset(directory):
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
+    labels = []
+    file_list = os.listdir(directory)
+    num_files = len(file_list)
+    data_matrix = np.zeros((num_files, 1024))  # 每个图像是32x32，展开为1024维向量
+
+    for i, file_name in enumerate(file_list):
+        label = int(file_name.split('_')[0])  # 文件名格式：'数字_序号.txt'
+        labels.append(label)
+        data_matrix[i, :] = img_to_vector(os.path.join(directory, file_name))
+
+    return data_matrix, np.array(labels)
 
 
-# 这里还写自己的代码实现
 def img_to_vector(filename):
     """
     将二值图像转换为向量。
@@ -82,6 +88,14 @@ def img_to_vector(filename):
     Returns:
     - np.array: 二值图像向量。
     """
+    img_vector = np.zeros((1, 1024))  # 初始化为1024维向量
+    with open(filename, 'r') as file:
+        for i in range(32):  # 每张图片是32x32的二值图像
+            line_str = file.readline().strip()
+            for j in range(32):
+                img_vector[0, 32 * i + j] = int(line_str[j])
+
+    return img_vector
 
 
 if __name__ == "__main__":
@@ -128,4 +142,4 @@ if __name__ == "__main__":
         train_labels,
     )
 
-    print(f"预测的标签: {predicted_label}")
+    print(f"预测的标签: {predicted_label}")
\ No newline at end of file