具體knn演算法概念參考knn程式碼python實現
上面是參考《機器學習實戰》的程式碼，和knn的思想

# _*_ encoding=utf8 _*_

import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 匯入手寫體識別的資料
mnist = input_data.read_data_sets("../data", one_hot=True)

# 訓練集和測試集
X_train, Y_train = mnist.train.next_batch(
 
5000) # 資料和labels
X_test, Y_test = mnist.test.next_batch(100)

# 定義輸入
x_train = tf.placeholder(tf.float32, shape=(None,784))
x_test = tf.placeholder(tf.float32, shape=(784))

# L1距離也就是城市街區距離 |x1-x2|+|y1-y2|
distance = tf.reduce_sum(tf.abs(tf.add(x_train,tf.negative(x_test))),reduction_indices = 1)

# 返回最近的座標，0縱軸 1橫軸
 

pred = tf.arg_min(distance, 0)

accuracy = 0

# 初始化
init = tf.global_variables_initializer()

with tf.Session() as sess:

    sess.run(init)

    for i in range(len(X_test)):
        # 獲取當前樣本的最近鄰索引，當前樣本和每一個訓練的樣本找一個最近的l1距離，得到這個最小距離的下標
        nn_index = sess.run(pred, feed_dict={x_train:X_train, x_test:
 
 X_test[i, :]})

        # 由最鄰近索引找到label,然後最鄰近的label與真實標籤比較 np.argmax找最大的下標
        # 由l1距離找到的最小值對應的座標，通過該最座標找到對應行label的最大值的下標，這個下標對應的就是數字的大小
        print("預測次數", i, "預測標籤:", np.argmax(Y_train[nn_index]),"真實標籤:", np.argmax(Y_test[i]))
        # 計算準確率
        if np.argmax(Y_train[nn_index]) == np.argmax(Y_test[i]):
            accuracy += 1

print("Accuracy:", float(accuracy)/len(X_test))