手写数字库很容易建立，但是总会很浪费时间。Google实验室的Corinna Cortes和纽约大学柯朗研究所的Yann LeCun建有一个手写数字数据库，训练库有60,000张手写数字图像，测试库有10,000张。

主要介绍了详解PyTorch手写数字识别(MNIST数据集)，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

Mnist手写数据集的Matlab版本（训练数据及标签、测试数据及标签）; 其中，训练数据共60000个， 测试数据共10000个；更多详情见MNIST官网http://yann.lecun.com/exdb/mnist/

C语言-三层BP网络（隐层一层）实现mnist手写数字识别。cpp文件可直接运行，mnist手写数字识别请自行下载，和cpp文件放到同一个路径文件夹下就可以了。成功率达93.49；高斯分布初始化参数。 训练参数的代码文件是BP-network.cpp； 测试的代码文件是BP_test.cpp； 先执行BP-network.cpp，训练完将会生成4个参数txt文件； 再执行BP_test.cpp利用得到的参数去预测测试样本，与测试样本的真实输出做对比，得到识别成功率。

各种数据集介绍。可以看我发布的其他资源包，各种组合都有，手写大小写字母、数字等。其中，最大的数据集规模为 814255 ，数据集都是28x28的灰度图，已经整理为和mnist格式相同的文件。需要训练时，根据需要选择相应的文件喂入神经网络即可。

MNIST手写数字识别数据集百度网盘下载-附件资源

由于pip安装的TensorFlow缺少一部分代码，以及TensorFlow2版本相对于TensorFlow1在语句上有变化。因此大部分网上代码不适用（主要问题在于读取mnist数据包和一些函数形式有问题）。这个代码可以运行。内含离线mnist数据库，mnist.py，main.py等。直接运行main.py即可

Tesnorflow0.12.0版本，下载MNIST手写数字识别数据集的python代码

利用tensorflow实现的卷积神经网络来进行MNIST手写数字图像的分类。 #导入numpy模块 import numpy as np #导入tensorflow模块，程序使用tensorflow来实现卷积神经网络 import tensorflow as tf #下载mnist数据集，并从mnist_data目录中读取数据 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('mnist_data',one_hot=True) #（1）这里的“mnist_data” 是和当前文件相同目录下的一个文件夹。自己先手工建立这个文件夹，然后从https://yann.lecun.com/exdb/mnist/ 下载所需的4个文件（即该网址中第三段“Four files are available on this site:”后面的四个文件），并放到目录MNIST_data下即可。 #（2）MNIST数据集是手写数字字符的数据集。每个样本都是一张28*28像素的灰度手写数字图片。 #（3）one_hot表示独热编码，其值被设为true。在分类问题的数据集标注时，如何不采用独热编码的方式， 类别通常就是一个符号而已，比如说是9。但如果采用独热编码的方式，则每个类表示为一个列表list，共计有10个数值，但只有一个为1，其余均为0。例如，“9”的独热编码可以为[00000 00001]. #定义输入数据x和输出y的形状。函数tf.placeholder的目的是定义输入，可以理解为采用占位符进行占位。 #None这个位置的参数在这里被用于表示样本的个数，而由于样本个数此时具体是多少还无法确定，所以这设为None。而每个输入样本的特征数目是确定的，即为28*28。 input_x = tf.placeholder(tf.float32,[None,28*28])/255 #因为每个像素的取值范围是 0～255 output_y = tf.placeholder(tf.int32,[None,10]) #10表示10个类别 #输入层的输入数据input_x被reshape成四维数据，其中第一维的数据代表了图片数量 input_x_images = tf.reshape(input_x,[-1,28,28,1]) test_x = mnist.test.images[:3000] #读取测试集图片的特征，读取3000个图片 test_y = mnist.test.labels[:3000] #读取测试集图片的标签。就是这3000个图片所对应的标签

利用numpy完成全连接层的前向传播和反向传播的梯度下降，可以进行多分类识别。案例运用bp神经网络对手写数字mnist数据集进行分类，训练集精度达到99%，验证集精度达到96%以上。一个输入层一个隐藏层一个输出层，激活函数sigmoid，最后一个softmax，loss function为交叉熵损失函数。