python手写数字识别knn算法不使用sklearn

好的，我来回答你的问题。

要手写数字识别knn算法，我们需要以下步骤：

1. 首先需要准备训练集和测试集。我们可以使用MNIST数据集，其中包含许多手写数字的图片和对应的标签。

2. 将每张图片转化为一维向量，并将像素值归一化到0到1之间。

3. 对于测试集中的每个样本，计算其与训练集中所有样本的距离。

4. 找出距离最近的k个训练样本，并统计这k个样本中最多的标签。

5. 将测试集中的每个样本都按照上述方法进行预测，并计算预测准确率。

以下是一个示例代码：

import numpy as np

# 定义距离函数
def distance(x1, x2):
    return np.sqrt(np.sum((x1 - x2) ** 2))

# 定义knn算法
def knn(X_train, y_train, X_test, k):
    y_pred = []
    for i in range(len(X_test)):
        # 计算测试样本与所有训练样本的距离
        distances = [distance(X_test[i], x) for x in X_train]
        # 找出距离最近的k个训练样本
        k_idx = np.argsort(distances)[:k]
        # 统计k个样本中最多的标签
        k_labels = [y_train[idx] for idx in k_idx]
        pred_label = max(set(k_labels), key=k_labels.count)
        y_pred.append(pred_label)
    return y_pred

# 加载MNIST数据集
from keras.datasets import mnist
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 将图片转化为一维向量并归一化
X_train = X_train.reshape(X_train.shape[0], -1) / 255.0
X_test = X_test.reshape(X_test.shape[0], -1) / 255.0

# 预测测试集并计算准确率
y_pred = knn(X_train, y_train, X_test, 5)
accuracy = np.mean(y_pred == y_test)
print("Accuracy:", accuracy)

这是一个简单的knn算法示例，你可以根据自己的需求进行修改和优化。