# zyx_pinecone_knn_mnist_app

**Repository Path**: marigold125/zyx_pinecone_knn_mnist_app

## Basic Information

- **Project Name**: zyx_pinecone_knn_mnist_app
- **Description**: 本项目使用gradio应用在 minist 上训练的最有 KNN 模型就行手写数字识别。
- **Primary Language**: Unknown
- **License**: WTFPL
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 385
- **Created**: 2025-11-08
- **Last Updated**: 2025-11-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于Pinecone的KNN手写数字识别APP

本项目基于**Pinecone向量数据库**和**KNN（K近邻）算法**，实现手写数字（0-9）的识别功能。通过将手写数字的特征向量存储在Pinecone云端，实现高效的相似性查询，从而完成数字识别。


## 项目文件说明

### 1. `pinecone_example.py`
- 功能：Pinecone服务注册演示与基础查询示例。
- 作用：帮助快速验证Pinecone服务的可用性，包含简单的向量查询逻辑。


### 2. `pinecone_train.py`
- 功能：Pinecone索引创建、手写数字数据（`digits`数据集）上传与准确率测试。
- 细节：
  - 将80%的`digits`数据上传至Pinecone索引，构建KNN的“特征库”；
  - 用20%的测试数据验证`k=11`时的识别准确率；
  - 包含进度条展示数据上传和测试过程，以及带日期的日志输出。


### 3. `optimal_knn_webapp_pinecone.py`
- 功能：Gradio Web界面，支持手绘数字并调用Pinecone进行识别。
- 交互：在画布上手写数字（0-9），点击“提交”即可获取Pinecone的KNN识别结果。


## 使用步骤

### 1. 安装依赖
```bash
pip install gradio pinecone scikit-learn matplotlib tqdm
```

### 2. 替换Pinecone API密钥
在代码中找到以下位置，替换为你自己的Pinecone API密钥：
```python
api_key = "你的Pinecone API密钥"  # 替换为实际密钥
```

### 3. 运行训练脚本（创建索引并测试准确率）
```bash
python pinecone_train.py
```

### 4. 启动Web界面
```bash
python optimal_knn_webapp_pinecone.py
```
启动后访问终端输出的网址（如`http://localhost:7860`），即可在画布上手写数字并测试识别效果。

## 运行效果展示

### 1. 训练脚本运行结果（`pinecone_train.py`）
![Pinecone训练数据上传与准确率测试](images/pinecone_train_result.jpg)

### 2. Web界面启动输出（`optimal_knn_webapp_pinecone.py`）
![Gradio Web界面启动地址](images/webapp_launch.jpg)

### 3. 基础示例运行结果（`pinecone_example.py`）
![Pinecone单条数据检索测试](images/pinecone_example_result.jpg)

### 4. Web界面识别示例
![手绘数字7的识别结果](images/web_demo_recognize_7.jpg)

## 注意事项
- 确保网络连接正常（Pinecone是云端服务，需联网使用）；
- 首次运行`pinecone_train.py`时，索引创建和数据上传可能耗时稍久，后续使用会更高效；
- 若需修改K值（如`k=5`或`k=15`），可在`pinecone_train.py`和`optimal_knn_webapp_pinecone.py`中同步调整`top_k`参数。


该项目基于经典KNN算法，结合Pinecone的云端向量存储能力，实现了手写数字的高效识别。如需进一步优化，可尝试调整Pinecone索引的距离度量（如`cosine`）或K值，以平衡速度与准确率。

## 个人信息

- 学号: 202452320129
- 年级: 2024
- 专业: 智能科学与技术
- 班级: 1 班