之前写了两篇文章一个是KNN算法的C++串行实现，另一个是CUDA计算向量的欧氏距离。那么这篇文章就可以说是前两篇文章的一个简单的整合。在看这篇文章之前可以先阅读前两篇文章。
一、生成数据集
现在需要生成一个N个D维的数据，没在一组数据都有一个类标，这个类标根据第一维的正负来进行标识样本数据的类标：Positive and Negative。
#!/usr/bin/python
import re
import sys
import random
import os
filename = "input.txt"
if(os.path.exists(filename)):
print("%s exists and del" % filename)
os.remove(filename)
fout = open(filename,"w")
for i in range( 0,int(sys.argv[1]) ): #str to int
x = []
for j in range(0,int(sys.argv[2])):
x.append( "%4f" % random.uniform(-1,1) ) #generate random data and limit the digits into 4
fout.write("%s\t" % x[j])
#fout.write(x) : TypeError:expected a character buffer object
if(x[0][0] == '-'):
fout.write(" Negative"+"\n")
else:
fout.write(" Positive"+"\n")
fout.close()
运行程序，生成4000个维度为8的数据：
生成了文件"input.txt"：
二、串行代码：
这个代码和之前的文章的代码一致，我们选择400个数据进行作为测试数据，3600个数据进行训练数据。
KNN_2.cc：
#include
#include
makefile：
target:
g++ KNN_2.cc
./a.out 7 4000 8 input.txt
cu:
nvcc KNN.cu
./a.out 7 4000 8 input.txt
运行结果：
三、并行实现
并行实现的过程就是将没一个测试样本到N个训练样本的距离进行并行化，如果串行计算的话，时间复杂度为：O(N*D)，如果串行计算的话，时间复杂度为O(D)，其实D为数据的维度。
KNN.cu：
#include
#include
运行结果：
因为内存分配的问题（之前文章提到过），那么就需要将训练数据trainingData进行静态的空间分配，这样不是很方便。
可以看到，在测试数据集和训练数据集完全相同的情况下，结果是完全一样的。数据量小，没有做时间性能上的对比。还有可以改进的地方就是可以一次性的将所有testData载入到显存中，而不是一个一个的载入，这样就能够减少训练数据拷贝到显存中的次数，提高效率。
Author：忆之独秀
Email：[email protected]
注明出处：http://blog.csdn.net/lavorange/article/details/42172451
