机器学习大作业线性回归模型和卷积模型识别数字手写体.zip使用TensorFlow技术和Flask框架相结合，采用MNIST数据集作为数据，通过前端HTML和jQuery框架，利用canvas画布将用户在屏幕上的手写文字传入到后台Flask的Restful API中，然后flask通过调取模型接口，把数据传入模型中进行手写体识别，形成一个完整的闭环。本文使用两种方法训练数据，线性和卷积的方法，并将结果进行对比。训练结果较为理想，可以有效识别出手写数字，并得到较好的准确率。 本次MNIST手写数字识别首先使用MNIST来导入数据，建立模型，建立了线性模型和卷积模型。再通过调取模型，进行训练，建立训练模型，保存参数模型，得到训练模型。通过前端请求，加载模型，进行调用。完成数据传入，训练，打包，调用。可以作为基础，可以通过相关数据集训练进行更多图像分类。

WORD格式，文章详细接受了BP神经网络的原理，发展过程，通过划分训练测试集，先进行BP神经网络的训练，得到模型后，展现训练结果，然后进行测试，识别精确度为85.88%

利用几组正负样本组成手写体数据集,进行训练和测试.迭代次数5次,学习率0.001,计算测试集的精度,给出训练过程的收敛曲线,并对模型进行可视化分析

手写体识别要用到的数据集，推测数字的源代码，以及查看数据集要用到的源代码

手写大写字母识别，用到了神经网络，MATLAB的gui小程序。

深度学习+tensorflow+手写体数字识别-mnist：这里使用的是基于全连接层网络结构的神经网络，对数字识别已经有了不错的效果，但使用卷积神经网络还可以提高正确率（约为99.2%），比如LeNet-5模型。环境：python3.7 、tensorflow 1.13.1 。

基于 CNN 的手写体数字识别系统的设计与实现代码大全.pdf基于 CNN 的手写体数字识别系基于 CNN 的手写体数字识别系统的设计与实现代码大全.pdf

手写体识别源代码VGG16,LeNet,SGAN

使用TensorFlow实现卷积神经网络的手写字符识别，可重新训练网络

包含“王权富贵-MNIST-BP神经网络”“王权富贵-MNIST-BP神经网络仅训练部分版本”“王权富贵-MNIST-数据集熟悉+线性神经网络”这些系列！每句话备注！