python手写数字识别knn算法不使用sklearn

好的，让我来回答你的问题。

首先，我们需要准备手写数字数据集。你可以在网上找到很多开源的手写数字数据集，例如MNIST。接着，我们需要将数据集处理成特征和标签两个部分，其中特征就是每张图片的像素值，标签就是对应数字。

接下来，我们需要实现KNN算法。KNN算法的核心思想是找到和待预测样本最近的K个样本，然后将这K个样本中出现最多的标签作为预测结果。具体实现可以参考以下代码：

import numpy as np

def knn(train_data, train_labels, test_data, k):
    """
    KNN算法
    :param train_data: 训练数据
    :param train_labels: 训练标签
    :param test_data: 测试数据
    :param k: K值
    :return: 预测结果
    """
    # 计算测试数据与每个训练数据的距离
    dists = np.sqrt(np.sum(np.square(train_data - test_data), axis=1))

    # 找到距离最近的K个样本
    k_nearest_labels = [train_labels[index] for index in np.argsort(dists)[:k]]

    # 将K个样本中出现最多的标签作为预测结果
    predict_label = max(k_nearest_labels, key=k_nearest_labels.count)

    return predict_label

最后，我们可以使用交叉验证等方法来评估算法的性能。具体实现可以参考以下代码：

def cross_validation(data, labels, k):
    """
    K折交叉验证
    :param data: 数据
    :param labels: 标签
    :param k: K值
    :return: 准确率
    """
    fold_size = len(data) // k
    accuracies = []
    for i in range(k):
        start = i * fold_size
        end = (i + 1) * fold_size
        test_data = data[start:end]
        test_labels = labels[start:end]
        train_data = np.vstack((data[:start], data[end:]))
        train_labels = np.hstack((labels[:start], labels[end:]))
        correct = 0
        for j in range(len(test_data)):
            predict_label = knn(train_data, train_labels, test_data[j], k)
            if predict_label == test_labels[j]:
                correct += 1
        accuracy = correct / len(test_data)
        accuracies.append(accuracy)
    return sum(accuracies) / len(accuracies)

这就是一个简单的手写数字识别KNN算法的实现，希望对你有所帮助。