其他實現手寫數字識別的方法：
1.KNN實現手寫數字識別
2. 卷積神經網路（CNN）實現手寫數字識別
3. 全連線神經網路實現手寫數字識別
4. 聚類（K-means）實現手寫數字識別

1. 實驗資料是老師收集了所有人的手寫數字圖片，且經過處理將影象生成了.txt檔案，如何生成點選這，如下圖
   
2. 程式碼實現

from __future__ import print_function
import numpy as np
import tensorflow as tf
from tensorflow.contrib.factorization import KMeans
from os import listdir
from
 
 keras.utils import to_categorical

"""
函式說明:將32x32的二進位制影象轉換為1x1024向量
"""
def img2vector(filename):
    # 建立1x1024零向量
    returnVect = np.zeros((1, 1024))
    # 開啟檔案
    fr = open(filename)
    # 按行讀取
    for i in range(32):
        # 讀一行資料
        lineStr = fr.readline()
        # 每一行的前32個元素依次新增到returnVect中
 

        for j in range(32):
            returnVect[0, 32 * i + j] = float(lineStr[j])
    # 返回轉換後的1x1024向量
    return returnVect

'''
函式說明：獲取標籤
'''
def getLabel(Datapath):
    # 訓練集的Labels
    hwLabels = []
    # 返回Datapath目錄下的檔名
    trainingFileList = listdir(Datapath)
    # 返回資料夾下檔案的個數
    m = len(
 
trainingFileList)
    # 從檔名中解析出訓練集的類別
    for i in range(m):
        # 獲得檔案的名字
        fileNameStr = trainingFileList[i]
        # 獲得分類的數字
        classNumber = int(fileNameStr.split('_')[0])
        # 將獲得的類別新增到hwLabels中
        hwLabels.append(classNumber)
    return hwLabels

'''
函式說明：獲取資料
'''
def getData(Datapath):
    # 返回train目錄下的檔名
    trainingFileList = listdir(Datapath)
    # 返回資料夾下檔案的個數
    m = len(trainingFileList)
    # 初始化訓練的Mat矩陣,訓練集
    trainingMat = np.zeros((m, 1024))
    for i in range(m):
        # 獲得檔案的名字
        fileNameStr = trainingFileList[i]
        # 將每一個檔案的1x1024資料儲存到trainingMat矩陣中
        trainingMat[i, :] = img2vector(Datapath+'/%s' % (fileNameStr))
    return trainingMat

# 載入資料
train_images = getData('train')
test_images = getData('testless')
train_labels = getLabel('train')
train_labels = to_categorical(train_labels)
test_labels = getLabel('testless')
test_labels = to_categorical(test_labels)

full_data_x = train_images

# 引數
num_steps = 1000  # 訓練次數
batch_size = 10  # 每一批的樣本數
k = 60  # clusters的數量
num_classes = 10  # 10分類
num_features = 1024  # 每張圖片是32*32

# 輸入圖片
X = tf.placeholder(tf.float32, shape=[None, num_features])
# Labels (將標籤分配給質心並用於測試)
Y = tf.placeholder(tf.float32, shape=[None, num_classes])

# K-Means 的引數
# inputs：輸入張量或輸入張量列表。假設資料點先前已被隨機置換。
# num_clusters：一個整數張量，指定簇的數量。如果initial_clusters是張量或numpy陣列，則忽略此引數。
# distance_metric：用於群集的距離度量。支援的選項：“squared_euclidean”，“cosine”。
# use_mini_batch：如果為true，請使用小批量k-means演算法。
# mini_batch_steps_per_iteration：更新的叢集中心同步回主副本的步驟數。
kmeans = KMeans(inputs=X, num_clusters=k, distance_metric='cosine',
                use_mini_batch=True)

# 建立 KMeans 模型
training_graph = kmeans.training_graph()

# 返回值
# all_scores: 每個向量到每個簇的距離，是一個[樣本數， 簇數]的矩陣
# cluster_idx： 每個樣本被分到的簇的標記，為([樣本數], type)的元組
# scores: 每個樣本到其被分到的簇的距離，為[樣本數]大小的矩陣，
# cluster_centers_initialized:返回bool值，cluster是否被初始化（不知道有什麼用）
# init_op： 初始化操作，sess init的時候需要傳入樣本
# training_op： 訓練操作

if len(training_graph) > 6:
    (all_scores, cluster_idx, scores, cluster_centers_initialized,
     cluster_centers_var, init_op, train_op) = training_graph
else:
    (all_scores, cluster_idx, scores, cluster_centers_initialized,
     init_op, train_op) = training_graph

cluster_idx = cluster_idx[0]
avg_distance = tf.reduce_mean(scores)  # 用於計算張量tensor沿著指定的數軸（tensor的某一維度）上的的平均值

# 初始化變數 (用預設值)
init_vars = tf.global_variables_initializer()


sess = tf.Session()
sess.run(init_vars, feed_dict={X: full_data_x})
sess.run(init_op, feed_dict={X: full_data_x})  # 使用之前 一定要使用資料初始化 KMeans

# 訓練
for i in range(1, num_steps + 1):
    _, d, idx = sess.run([train_op, avg_distance, cluster_idx],
                         feed_dict={X: full_data_x})
    if i % 10 == 0 or i == 1:
        print("Step %i, Avg Distance: %f" % (i, d))

# 為每個質心分配標籤
# 使用每次訓練的標籤計算每個質心的標籤總數
# 計算樣本到最近的質心
counts = np.zeros(shape=(k, num_classes))
# print(len(idx))
for i in range(len(idx)):
    counts[idx[i]] += train_labels[i]
# 將最頻繁的標籤分配給質心
labels_map = [np.argmax(c) for c in counts]
# print(labels_map)
labels_map = tf.convert_to_tensor(labels_map)  # 將給定值轉換為張量

# 評估
#  查詢：centroid_id 的標籤
cluster_label = tf.nn.embedding_lookup(labels_map, cluster_idx)
# print(cluster_label)
# 計算準確路
# tf.equal(x,y,name=None)
# 判斷，x, y 是不是相等，它的判斷方法不是整體判斷，
# 而是逐個元素進行判斷，如果相等就是True，不相等，就是False
# 由於是逐個元素判斷，所以x，y 的維度要一致。

# tf.cast():用於改變某個張量的資料型別

# tf.argmax(input,axis)根據axis取值的不同返回每行或者每列最大值的索引。
# axis=0時比較每一列的元素，將每一列最大元素所在的索引記錄下來，
# 最後輸出每一列最大元素所在的索引陣列。
# axis=1的時候，將每一行最大元素所在的索引記錄下來，
# 最後返回每一行最大元素所在的索引陣列
correct_prediction = tf.equal(cluster_label, tf.cast(tf.argmax(Y, 1), tf.int32))
accuracy_op = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# 測試模型
test_x, test_y = test_images, test_labels
print("Test Accuracy:", sess.run(accuracy_op, feed_dict={X: test_x, Y: test_y}))