使用pytorch从模型训练到模型调用，再通过libtorch转成C++调用，全流程实现MNIST手写体数字识别

（手写体识别）MINST.zip

深度学习项目 手写体识别 前置：bootstrap，jquery 后台：django，tensorflow 数据集：Mnist 网络结构：CNN-池-CNN-池-CNN-全连接-Softmax 简介 新建一个虚拟环境，然后安装相关模块pip install -r requirements/dev.txt 初始化表python manage.py migrate 最后运行python manage.py runserver 运行示例 浏览器输入： : : 在画板写数字，点击识别即可

26个英文字母印刷体与手写体对照表.doc

为有效区分手写体与印刷体，提出了一种基于卷积神经网络隐层帧特征的分类方法。基于卷积神经网络，提取隐层帧特征，利用高斯混合模型结合隐马尔可夫模型的方法对该特征进行建模，再通过维特比解码算法判定每帧特征的类别。基于帧特征的识别结果，结合文本行图像信息对识别结果进行后处理，确定最终的手写体和印刷体的区域。在签名文书类文本行图像上，相比基线，所提方法对手写体与印刷体分类的识别率提升10.8%和27.57%。在自然场景、表格和带噪文档行验证了其有效性。

从emnist 中分离的的大写字母手写体,ABCD. 由于特殊环境需要，只识别选择题ABCD四个选项，发现emnist中letter中小写字符干扰较大，所以人工分离出大写字母ABCD.

Yolov3作手写数字识别，最好的新手入门项目。随机手写数字数据集 包含4000张可以直接使用的数据集 以及制作好的原始待检测视频+自己训练好的模型的检测视频。本资源的训练数据是labelImg标签过的，用了这个数据包和标签，你可以轻轻松松开始你的yolo之旅

针对维吾尔文手写体文本中行分割问题，本文基于连通域大小将图像中文字分为三类，提出了自适应涂抹细化算法，对主体文本行进行定位；并对第三类连通域中相邻两文本行间粘连的字符进行切割；此外，利用重心范围内的邻域搜索算法，解决了剩余笔画的文本行归附问题。实验结果表明，本文方法与常见的水平投影法，分段投影法，及涂抹方法相比具有更好的分割效果。

一、课题题目：基于MATLAB的手写数字识别系统 二、课题介绍 手写数字识别是模式识别领域的一个重要分支，它研究的核心问题是：如何利用计算机自动识别人手写在纸张上的阿拉伯数字。手写体数字识别问题，简而言之就是识别出10个阿拉伯数字，由于数字的清晰程度或者是个人的写字习惯抑或是其他，往往手写体数字的性状、大小、深浅、位置会不大一样。手写体识别一般包括3个阶段：预处理、特征提取、分类识别。  手写数字识别前景广阔，广泛应用于表格中数字的识别、汽车牌照的数字自动识别和成绩单的识别等。实现数字的自动识别能够给人们的工作和生活带来很大的方便。对于该领域的研究具有重要的理论价值：  一方面，阿拉伯数字是唯一的被世界各国通用的符号，对手写数字识别的研究与文化背景无关，这样就为各国、各地区的研究工作者提供了一个自由平等的舞台，大家可以在这一领域施展才智，各抒己见。  另一方面，由于数字识别的类别数较少（只有0到9十个类别），有助于做深入分析及验证一些新的理论。这方面最明显的例子就是人工神经网络，相当一部分的人工神经网络模型都以手写数字识别作为具体的实验平台，验证理论的有效性，评价各种方法的优缺点。  数字识别的算法较多，当前运用较好的主流算法以统计、聚类和分类算法为主，如Bagging算法、支持向量机算法、神经网络等。手写数字识别难度在于：一、数字相似性大，但字形相差不大；二、数字虽然只有10种，但笔划简单，同一个数字写法差别大；三、手写数字存在断笔和毛刺，对识别造成影响。本文选择分类算法中的决策树算法、支持向量机算法、神经网络对MNIST数据集进行数字识别，并对分类效果进行比较分析。

pytorch 手写体代码和原文件 mnist.pkl.gz