generated from LufsX/Experiment-kNN
Initial commit
This commit is contained in:
11111
@@ -0,0 +1,27 @@
|
||||
name: Gitea Actions Experiment Test
|
||||
run-name: 实验自动评测 Actions 🚀
|
||||
on: [push]
|
||||
|
||||
jobs:
|
||||
Experiment-Actions:
|
||||
runs-on: ubuntu-latest
|
||||
steps:
|
||||
- name: 检出代码
|
||||
uses: actions/checkout@v4
|
||||
with:
|
||||
fetch-depth: 0
|
||||
- name: 安装依赖
|
||||
run: |
|
||||
python -m venv ./.venv
|
||||
. ./.venv/bin/activate
|
||||
curl -s -o pip_cache.tar.gz ${{ vars.BACKEND_URL }}/download/pip_cache.tar.gz
|
||||
tar -zxf pip_cache.tar.gz
|
||||
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
|
||||
rm -rf testDigits trainingDigits main.py
|
||||
curl -s -o main.py ${{ vars.BACKEND_URL }}/public/experiment/knn/main.py
|
||||
curl -s -o dataSet.tar.gz ${{ vars.BACKEND_URL }}/public/experiment/knn/dataSet.tar.gz
|
||||
tar -zxf dataSet.tar.gz
|
||||
- name: 评测结果
|
||||
run: |
|
||||
. ./.venv/bin/activate
|
||||
python main.py
|
||||
@@ -0,0 +1,68 @@
|
||||
# 实验一：kNN 与二值手写数字识别
|
||||
|
||||
## 实验说明
|
||||
|
||||
- 自行在 [`function.py`](./function.py) 中编写实现数据加载与 kNN 的手写数字分类算法。
|
||||
- 函数输入: 待分类的样本 `input_vector`, 训练数据集 `dataSet`, 训练集对应的标签 `labels`。
|
||||
- 函数返回: 预测的分类标签。
|
||||
|
||||
所有成功上传的评测结果均会被记录，但不会公开展示。
|
||||
|
||||
评测次数不限，最终评测成绩取**最高分**。
|
||||
|
||||
## 注意事项
|
||||
|
||||
挑战赛与实验为两个**不同**的仓库，注意不要混淆！
|
||||
|
||||
- 实验仓库，开头名称统一为 `Experiment`
|
||||
- **有截止时间限制**！
|
||||
- 记录成绩但不公开，并且**是实验成绩的一部分**。
|
||||
- 最终成绩取最高分。
|
||||
- 挑战赛仓库，开头名称统一为 `Challenge`
|
||||
- 无截止时间限制。
|
||||
- 公开展示排行榜和最近的评测信息。
|
||||
|
||||
---
|
||||
|
||||
实验开始前必须在 [`function.py`](./function.py#L28-L29) 中填写自己的学号和姓名！
|
||||
|
||||
- 可以自行导入其他库，需要在 [`requirements.txt`](./requirements.txt) 添加依赖，若未在 [`requirements.txt`](./requirements.txt) 中添加使用到的依赖，则无法自动评测，**不记录成绩**。
|
||||
- 需要在 [`function.py`](./function.py) 中实现完整的 kNN 分类算法。
|
||||
- 默认 **k=0**，需**自行设置**最佳的默认 k 值，不修改默认值将**无法通过**自动评测，**成绩为零**。
|
||||
- 自动评测脚本仅会加载 `classify` 和 `load_data` 函数，请勿修改函数名。
|
||||
- 仓库内不自带数据集，本地调试时，数据集需自行下载。
|
||||
- 本地调试完成后，**需要更新提交代码**，否则无法自动评测，**没有实验成绩**。
|
||||
- 评测的运行时间受机器性能影响，运行时间仅供参考。
|
||||
- 若有评测相关问题，请在[项目工单](https://git.intcplab.cn/LufsX/Evaluation-Backend/issues)处提出，或联系 QQ: `1968647927`。
|
||||
|
||||
代码提交后会进行自动评测，评测所用的环境如下：
|
||||
|
||||
- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
|
||||
- OS: Ubuntu 22.04.4 LTS
|
||||
- Python: 3.10.12
|
||||
- numpy: 2.1.1
|
||||
|
||||
## 实验操作
|
||||
|
||||
本次实验因数据文件较多，故仓库内不自带数据集，本地调试时需自行下载数据集。
|
||||
|
||||
- [二值手写数字数据集.zip](https://git.intcplab.cn/yuhuapeng/Machine-Learning-in-Python/raw/branch/main/%E7%AC%AC9%E7%AB%A0%209.1%20KNN%E5%88%86%E7%B1%BB%E5%99%A8/%E4%BA%8C%E5%80%BC%E6%89%8B%E5%86%99%E6%95%B0%E5%AD%97%E6%95%B0%E6%8D%AE%E9%9B%86.zip)
|
||||
- [二值手写数字数据集.tar.gz](https://git.intcplab.cn/LufsX/Challenge-Backend/raw/branch/main/public/experiment/knn/dataSet.tar.gz)
|
||||
|
||||
以上两文件解压内容相同，解压后得到 `trainDigits` 和 `testDigits` 文件夹，分别存放训练集和测试集。
|
||||
|
||||
本次实验强烈建议将代码克隆/下载到本地进行实验调试。
|
||||
|
||||
---
|
||||
|
||||
注意 ⚠️
|
||||
|
||||
若要完成实验，请确保是在**本页面**点击「使用模版」来创建仓库，新仓库名称建议与模版名称相同，其余操作参见[挑战赛的说明](https://git.intcplab.cn/LufsX/Challenge-kNN#挑战操作)。
|
||||
|
||||
若要完成实验，评测时检查创建完成的**仓库信息**是否正确，本次实验标题为「**实验一：KNN 与二值手写数字识别**」！
|
||||
|
||||
## 其它
|
||||
|
||||
若有流程、优化等相关建议和问题，欢迎在[评测后端项目工单](https://git.intcplab.cn/LufsX/Evaluation-Backend/issues)中提出。
|
||||
|
||||
同时欢迎参与[评测后端](https://git.intcplab.cn/LufsX/Evaluation-Backend)的开发与优化！
|
||||
+131
@@ -0,0 +1,131 @@
|
||||
# function.py
|
||||
import numpy as np
|
||||
import os
|
||||
|
||||
"""
|
||||
实验说明:
|
||||
- 自行编写实现数据加载与 kNN 的手写数字分类算法。
|
||||
- 函数输入: 待分类的样本 input_vector, 训练数据集 dataSet, 训练集对应的标签 labels。
|
||||
- 函数返回: 预测的分类标签。
|
||||
|
||||
注意事项:
|
||||
- 在 function.py 中实现 kNN 分类算法。
|
||||
- 可以自行导入其他库，需要在 requirements.txt 添加依赖，若未在 requirements.txt 中添加使用到的依赖，则无法自动评测，成绩为零。
|
||||
- 自动评测脚本仅会加载 classify 和 load_data 函数，请勿修改函数名。
|
||||
- 训练集和测试集需手动下载解压，并放入当前目录下。
|
||||
|
||||
测评环境:
|
||||
- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
|
||||
- OS: Ubuntu 22.04.4 LTS
|
||||
- Python: 3.10.12
|
||||
- numpy: 2.1.1
|
||||
"""
|
||||
|
||||
|
||||
"""
|
||||
请在这里填写学号和姓名，不填写即成绩无效。
|
||||
"""
|
||||
id = "202210423xxx"
|
||||
name = "test_name"
|
||||
|
||||
|
||||
"""
|
||||
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):
|
||||
"""
|
||||
KNN 分类算法。
|
||||
|
||||
Args:
|
||||
- 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**。
|
||||
|
||||
Returns:
|
||||
- int: 预测的分类标签。
|
||||
"""
|
||||
|
||||
|
||||
# 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**。
|
||||
|
||||
Args:
|
||||
- directory (str): 数据文件夹路径。
|
||||
|
||||
Returns:
|
||||
- np.array: 特征数据。
|
||||
- np.array: 标签数据。
|
||||
"""
|
||||
|
||||
|
||||
# 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。
|
||||
该部分应为 load_dataset 函数的辅助子函数，可单独在这里实现，也可直接集成至 load_dataset 函数中。
|
||||
|
||||
Args:
|
||||
- filename (str): 图像文件路径。
|
||||
|
||||
Returns:
|
||||
- np.array: 二值图像向量。
|
||||
"""
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
# 以下代码可用于测试，可自行随意修改
|
||||
train_data, train_labels = load_dataset("trainingDigits")
|
||||
|
||||
test_data = (
|
||||
"00000000000000110000000000000000"
|
||||
"00000000000011111000000000000000"
|
||||
"00000000000011111100000000000000"
|
||||
"00000000001111111110000000000000"
|
||||
"00000000001111111110000000000000"
|
||||
"00000000001111111100000000000000"
|
||||
"00000000011111111000000000000000"
|
||||
"00000000111111111000000000000000"
|
||||
"00000000111111110000000000000000"
|
||||
"00000000111111110000000000000000"
|
||||
"00000000111111110000000000000000"
|
||||
"00000000111111110000000000000000"
|
||||
"00000000111111100000000000000000"
|
||||
"00000001111111100000000000000000"
|
||||
"00000001111111100000000000000000"
|
||||
"00000001111111100000000000000000"
|
||||
"00000001111111111111000000000000"
|
||||
"00000001111111111111111000000000"
|
||||
"00000001111111111111111100000000"
|
||||
"00000011111111111111111110000000"
|
||||
"00000011111111111111111110000000"
|
||||
"00000001111111111111111110000000"
|
||||
"00000001111111111111111110000000"
|
||||
"00000000111111111100111111100000"
|
||||
"00000000111111111000111111100000"
|
||||
"00000000011111111001111111100000"
|
||||
"00000000011111111111111111000000"
|
||||
"00000000001111111111111111000000"
|
||||
"00000000000111111111111111000000"
|
||||
"00000000000011111111111100000000"
|
||||
"00000000000001111111110000000000"
|
||||
"00000000000000000111100000000000"
|
||||
)
|
||||
predicted_label = classify(
|
||||
np.array([int(char) for char in test_data]).reshape(1, 1024),
|
||||
train_data,
|
||||
train_labels,
|
||||
)
|
||||
|
||||
print(f"预测的标签: {predicted_label}")
|
||||
@@ -0,0 +1,2 @@
|
||||
numpy==2.1.1
|
||||
requests==2.32.3
|
||||
Reference in New Issue
Block a user