python手写数字识别knn算法不使用sklearn

好的，我可以为您讲解一下 Python 手写数字识别 KNN 算法的实现方法，以下是一种基本的实现思路：

1. 首先，需要准备一个手写数字数据集，可以使用 MNIST 数据集或者其他类似的数据集。

2. 对数据集进行预处理，将每张图片转化为一维向量，并将像素值归一化到 [0, 1] 的范围内。

3. 实现 KNN 算法的训练和预测过程。在训练过程中，需要计算每个样本与所有其他样本的距离，并将其存储在一个距离矩阵中。在预测过程中，对于一个新的测试样本，需要计算其与所有训练样本的距离，并选取距离最小的 k 个样本，根据其标签进行投票，最终确定测试样本的标签。

以下是一个简单的 Python 实现示例：

import numpy as np

# 定义 KNN 算法
class KNN:
    def __init__(self, k=5):
        self.k = k
    
    def fit(self, X, y):
        self.X = X
        self.y = y
        
    def predict(self, X):
        y_pred = []
        for x in X:
            distances = np.sum((self.X - x) ** 2, axis=1)
            indices = np.argsort(distances)[:self.k]
            labels = self.y[indices]
            y_pred.append(np.bincount(labels).argmax())
        return np.array(y_pred)

# 加载数据集
def load_data():
    # 加载 MNIST 数据集
    from keras.datasets import mnist
    (X_train, y_train), (X_test, y_test) = mnist.load_data()
    # 将像素值归一化到 [0, 1]
    X_train = X_train.reshape(-1, 28 * 28) / 255.0
    X_test = X_test.reshape(-1, 28 * 28) / 255.0
    return X_train, y_train, X_test, y_test

# 计算准确率
def accuracy(y_true, y_pred):
    return np.mean(y_true == y_pred)

# 测试 KNN 算法
X_train, y_train, X_test, y_test = load_data()
model = KNN(k=5)
model.fit(X_train[:1000], y_train[:1000])
y_pred = model.predict(X_test[:100])
acc = accuracy(y_test[:100], y_pred)
print("Accuracy:", acc)

需要注意的是，这个示例代码并没有使用 `scikit-learn` 库中的 `KNeighborsClassifier` 类，而是手动实现了一个简单的 KNN 算法。