Mathesis Wiki

• Normierung des MNIST-Datensatz
• Einlesen eines 28×28 Bildes

—————————————————————————-

• Normierung des MNIST-Datensatz

from __future__ import division
 
import numpy as np
import scipy.io
mat=scipy.io.loadmat('/[…]/[…]/scikit_learn_data/mldata/mnist-original.mat')
 
 
data=mat['data']
label=mat['label']
 
data_neu=np.zeros(shape=data.shape,dtype=np.float)
 
for i in range(data.shape[1]):
	data_neu[:,i]= data[:,i]/np.linalg.norm(data[:,i])
scipy.io.savemat('/[…]/[…]/scikit_learn_data/mldata/mnist-original-norm.mat', mdict={'data':data_neu, 'label':label})

• Einlesen eines 28×28 Bildes (bildeinlesen.py)

from scipy import misc
import numpy as np
import matplotlib.pyplot as plt
 
class Bild(object):
	def __init__(self,daten=None, info=None):
		self.daten = daten
		if info:
			self.info=info
		else:
			self.info= ''
	def read_from_file(self,name):
		self.daten = misc.imread(name, 'F')
		self.info = "From file: " + name
	def show(self):
		plt.imshow(self.daten,cmap=plt.get_cmap('gray'))
		plt.show()
def bildlesen():
	bild=Bild()
	nameBild=raw_input("Gib den Namen des Bildes ein: ")
	bild.read_from_file(nameBild)
	print "Bild shape: ", bild.daten.shape
	if bild.daten.shape== (28,28):
		bild.daten= np.reshape(bild.daten, (784,1))
		print "Bild erfolgreich in Vektor geschrieben: ", bild.daten.shape
	elif bild.daten.shape== [784,1]:
		print "Bild bereits im richtigem Format, Vorgang wird fortgesetzt. "
	elif bild.daten.shape[0]%2!=0 or bild.daten.shape[1]%2!=0:
		print "Es wird ein Bild mit einer geraden Anzahl an Pixlen benoetigt!"
	else:
		bild.daten=bild.daten[bild.daten.shape[0]/2-14:bild.daten.shape[0]/2+14, bild.daten.shape[1]/2-14:bild.daten.shape[1]/2+14]
		bild.daten= np.reshape(bild.daten,(784,1))
		print "Bild erfolgreich auf 28x28 editiert und in einen Vektor", bild.daten.shape,  "umgewandelt."
	return bild

• Symbole lesen (symbole_lesen.py)

from pickle import Unpickler
 
with open('clean_symbols.p','r') as f:
    u=Unpickler(f)
    data=u.load()
 
 
print "Datentupel, 0. Komponente: "
print "Shape: ",data[0].shape
print "Datentupel, 1. Komponente: "
print data[1][:10]
print "Shape: ", data[1].shape
print "Datentupel, 2. Komponente: "
print data[2][:10]
print "Shape: ", data[2].shape

• Trainieren des k-nearest-Neighbor-Algorithmus

Porgramm knNTest.py ist extrem langsam. Aus diesem Grund untersuchen wir mit cProfile, wo die Zeit in dem Programm verloren geht.

import cProfile
cProfile.run('bestimmung(10)',sort='time')
bestimmung(10)