一份基于cnn的手写数字自识别的代码，供大家参考，具体内容如下 # -*- coding: utf-8 -*- import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 加载数据集 mnist = input_data.read_data_sets('MNIST_data', one_hot=True) # 以交互式方式启动session # 如果不使用交互式session，则在启动session前必须 # 构建整个计算图，才能启动该计算图 sess = tf.Interactiv

大数据研究生课程的课堂作业，采用BP神经网络进行手写数字识别，支持设置sigmoid、tanh、relu三种激励函数及训练步长。 压缩包中含有源码和实验报告文档，对实验结果进行了较为全面的分析。

MNIST手写数字识别数据集, 内含7万张图片和标签, 以及npz文件

MATLAB手写数字识别

用 Python 实现一组手写数字识别。使用keras+opencv进行简单的实现。首先进行图像中数字的目标检测与分割，将图片中的数字分离出来然后进行单独识别。使用的数据集为mnist手写数字识别库，采用卷积神经网络进行识别

简单数字识别报告sa d fas dfa sdfasdfasdfa sdfa s d f asd fas dfa sdfa sd fasdfasd fasdfasdfas dfasdf a sdfasd fasdf asdf

手写数字识别是是神经网络学习最基础的一个实验，也是我入门深度学习的第一个实验，这个实验通过经典的minst数据集，对其中的训练数据和测试数据使用cnn网络进行学习和训练最终得到一个良好的准确率之后，把模型保存下来使用自己的图像进一步测试是否能够运用到实践中来；最后尝试借鉴别人的GUI代码实现图像界面操作增强算法的实用性。

Python开发，基于TensorFlow+MNIST，含数据集与训练好的模型，已经打包为exe，带UI界面

Matlab代码sqrt 神经网络学习 在这个项目中，我们将为神经网络实现反向传播算法，并将其应用于手写数字识别的任务。 该项目是吴安德（Andrew Ng）的练习。 要开始该项目，您需要下载启动程序代码并将其内容解压缩到目录中。 ex4data1.mat有5000个培训示例。 该项目的起点是ex4.m Octave脚本。 神经网络 在前面的文章中，我们为神经网络实现了前馈传播，并使用它提供的权重来预测手写数字。 在这个项目中，我们将实现反向传播算法来学习神经网络的参数。 可视化数据 首先，通过调用函数displayData可视化训练数据并将其显示在二维图上： 图1：训练数据示例 每个训练示例都是20像素乘20像素的数字灰度图像。 每个像素由一个浮点数表示，该数字指示该位置的灰度强度。 将20 x 20像素像素网格“展开”为400维向量。 这些训练示例中的每一个都成为数据矩阵X一行。 这为我们提供了一个5000 x 400的矩阵X ，其中每一行都是一个手写数字图像的训练示例。 训练集的第二部分是5000维向量y ，其中包含训练集的标签。 为了使事情与没有零索引的Octave / Mat

自己做课程设计时写的matlab程序，可运行，无error。有代码注释，易上手。相比网上的其它版本，我写的这个程序比较简单，适合新手，阅读门槛低，而且最重要的是可运行！大话不敢多说，绝对是网上最亲民的版本！！！对非计算机专业学生党友好