lintcode手写数字识别.zip

基于BP神经网络和sklearn的digit数据集编写的手写数字识别demo。带有GUI手写画板，同时还可以根据需要保存手写数字的数据。

针对多数机构面临的大规模报表数据录人问题，提出了一种基于BP神经网络的手写数字识别系统。对输人图像进行图像预处理、 图像分割和特征提取，随后将提取的特征信息输人到已经训练好的BP神经网络进行分类识别。

使用TensorFlow实现简单的手写数字0-9识别，下载后解压配置环境运行。

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 [1-2] 。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）” [3] 。

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

手写数字识别图片资源，黑底白字，每个数字大于9000张图片，自己已经试用过，没有任何问题。用来入门神经网络等算法非常合适。

取数据的方法： data = np.load("../data/mnist.npz") x_train = data["x_train"]

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。

神经网络用于手写数字识别-附件资源