现在我有一个10000份数据28*28维度的mnist.csv，请帮我用svm实现分类，不能直接调用python里的svm库。

好的，您需要先将mnist.csv文件读入并将其转换为numpy数组格式，然后将数据集分为训练集和测试集。接着，您需要实现一个支持向量机分类器，使用核函数（例如径向基函数）来处理数据。最后，您需要使用训练集来训练分类器，并使用测试集来测试其性能。下面是一个简单的示例代码，可以帮助您入门：

import numpy as np

# 读入mnist数据集
data = np.genfromtxt('mnist.csv', delimiter=',')
X = data[:, 1:]  # 特征
y = data[:, 0]  # 标签

# 将数据集分为训练集和测试集
n_train = 6000
X_train, y_train = X[:n_train], y[:n_train]
X_test, y_test = X[n_train:], y[n_train:]

# 定义径向基函数
def rbf_kernel(x, y, gamma=0.1):
    return np.exp(-gamma * np.linalg.norm(x - y) ** 2)

# 定义支持向量机分类器
class SVM:
    def __init__(self, kernel=rbf_kernel, C=1.0):
        self.kernel = kernel
        self.C = C

    def fit(self, X, y):
        n_samples, n_features = X.shape

        # 计算核矩阵
        K = np.zeros((n_samples, n_samples))
        for i in range(n_samples):
            for j in range(n_samples):
                K[i, j] = self.kernel(X[i], X[j])

        # 定义二次规划问题
        P = np.outer(y, y) * K
        q = -np.ones(n_samples)
        G = np.vstack((-np.eye(n_samples), np.eye(n_samples)))
        h = np.hstack((np.zeros(n_samples), np.ones(n_samples) * self.C))
        A = y.reshape((1, -1))
        b = np.zeros(1)

        # 解决二次规划问题
        from cvxopt import solvers
        solvers.options['show_progress'] = False
        solution = solvers.qp(matrix(P), matrix(q), matrix(G), matrix(h), matrix(A), matrix(b))
        self.a = np.array(solution['x']).flatten()

        # 计算偏置项
        sv = self.a > 1e-5
        self.b = y[sv] - np.dot(K[sv][:, sv], self.a[sv] * y[sv])
        self.b = np.mean(self.b)

    def predict(self, X):
        y_pred = np.zeros(len(X))
        for i in range(len(X)):
            s = 0
            for a, sv_y, sv in zip(self.a, y_train, X_train):
                s += a * sv_y * self.kernel(X[i], sv)
            y_pred[i] = s
        return np.sign(y_pred + self.b)

# 训练支持向量机分类器
svm = SVM(kernel=rbf_kernel, C=1.0)
svm.fit(X_train, y_train)

# 在测试集上评估分类器
y_pred = svm.predict(X_test)
accuracy = np.mean(y_pred == y_test)
print('Accuracy:', accuracy)

请注意，这只是一个简单的示例代码。实际上，支持向量机分类器的实现可能会更加复杂，需要进行参数调整和模型选择等工作。