diff --git a/function.py b/function.py
index b1f8c16..dc0508f 100644
--- a/function.py
+++ b/function.py
@@ -25,8 +25,8 @@ 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 = "202210423114"
+name = "龙鑫辉"
 
 
 """
@@ -54,6 +54,77 @@ def classify(input_vector, dataSet, labels, k=0):
     Returns:
     - int: 预测的分类标签。
     """
+import numpy as np
+
+def validate_inputs(input_vector, dataSet, labels, k):
+    """
+    验证输入参数的有效性。
+    """
+    if not isinstance(input_vector, np.ndarray) or input_vector.ndim != 1:
+        raise ValueError("input_vector 必须是一维 numpy 数组")
+    
+    if not isinstance(dataSet, np.ndarray) or dataSet.ndim != 2:
+        raise ValueError("dataSet 必须是二维 numpy 数组")
+    
+    if not isinstance(labels, (list, np.ndarray)):
+        raise ValueError("labels 必须是列表或一维 numpy 数组")
+    
+    if len(dataSet) != len(labels):
+        raise ValueError("dataSet 和 labels 的长度必须相同")
+    
+    if not isinstance(k, int) or k <= 0:
+        raise ValueError("k 必须是正整数")
+
+def calculate_distances(input_vector, dataSet):
+    """
+    计算输入向量与数据集中每个样本的距离。
+    """
+    distances = np.linalg.norm(dataSet - input_vector, axis=1)
+    return distances
+
+def get_k_nearest_labels(distances, labels, k):
+    """
+    获取最近的 k 个邻居的标签。
+    """
+    k_nearest_indices = np.argsort(distances)[:k]
+    k_nearest_labels = labels[k_nearest_indices]
+    return k_nearest_labels
+
+def majority_vote(k_nearest_labels):
+    """
+    投票决定最频繁出现的标签。
+    """
+    from collections import Counter
+    label_counts = Counter(k_nearest_labels)
+    most_common_label = label_counts.most_common(1)[0][0]
+    return most_common_label
+
+def classify(input_vector, dataSet, labels, k=3):
+    """
+    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，默认值为 3。
+
+    Returns:
+    - int: 预测的分类标签。
+    """
+    # 验证输入参数
+    validate_inputs(input_vector, dataSet, labels, k)
+    
+    # 计算距离
+    distances = calculate_distances(input_vector, dataSet)
+    
+    # 获取最近的 k 个邻居的标签
+    k_nearest_labels = get_k_nearest_labels(distances, labels, k)
+    
+    # 投票决定最频繁出现的标签
+    predicted_label = majority_vote(k_nearest_labels)
+    
+    return predicted_label
 
 
 # 这里也写自己的代码实现
@@ -68,7 +139,61 @@ def load_dataset(directory):
     - np.array: 特征数据。
     - np.array: 标签数据。
     """
+import os
+import numpy as np
 
+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。
+    """
+    # 规范化路径
+    directory = os.path.abspath(os.path.realpath(directory))
+    
+    # 检查路径是否为目录
+    if not os.path.isdir(directory):
+        raise ValueError(f"指定的路径 {directory} 不是一个有效的目录")
+    
+    features = []
+    labels = []
+    
+    try:
+        # 遍历目录中的文件
+        for filename in os.listdir(directory):
+            file_path = os.path.join(directory, filename)
+            
+            # 检查文件是否为预期的格式
+            if not filename.endswith('.npy'):
+                continue
+            
+            # 读取文件
+            data = np.load(file_path)
+            
+            # 假设每个文件包含一个特征数组和一个标签
+            feature = data[0]
+            label = data[1]
+            
+            features.append(feature)
+            labels.append(label)
+    
+    except FileNotFoundError:
+        raise FileNotFoundError(f"指定的目录 {directory} 不存在")
+    except PermissionError:
+        raise PermissionError(f"没有权限访问目录 {directory}")
+    except Exception as e:
+        raise RuntimeError(f"读取文件时发生错误: {e}")
+    
+    # 处理空目录的情况
+    if not features:
+        return np.array([]), np.array([])
+    
+    return np.array(features), np.array(labels)
 
 # 这里还写自己的代码实现
 def img_to_vector(filename):
@@ -82,7 +207,61 @@ def img_to_vector(filename):
     Returns:
     - np.array: 二值图像向量。
     """
+import numpy as np
+from PIL import Image
+import os
 
+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。
+    """
+    try:
+        # 路径规范化
+        filename = os.path.abspath(filename)
+        
+        # 验证文件是否存在
+        if not os.path.isfile(filename):
+            raise FileNotFoundError(f"文件 {filename} 不存在")
+        
+        # 验证文件是否为有效的图像文件
+        with Image.open(filename) as img:
+            if img.format not in ['PNG', 'JPEG', 'BMP']:
+                raise ValueError(f"文件 {filename} 不是有效的图像文件")
+            
+            # 转换为灰度图像
+            img = img.convert('L')
+            
+            # 转换为二值图像
+            img = img.point(lambda p: p > 128 and 1 or 0, mode='1')
+            
+            # 获取图像尺寸
+            width, height = img.size
+            
+            # 检查图像是否为空或尺寸为零
+            if width == 0 or height == 0:
+                raise ValueError(f"图像 {filename} 尺寸为零")
+            
+            # 将图像转换为向量
+            vector = np.array(img).flatten()
+            
+            return vector
+    
+    except FileNotFoundError as e:
+        print(f"错误: {e}")
+        return None
+    except ValueError as e:
+        print(f"错误: {e}")
+        return None
+    except Exception as e:
+        print(f"未知错误: {e}")
+        return None
 
 if __name__ == "__main__":
     # 以下代码可用于测试，可自行随意修改