matlab 关于手写体数字识别，采用KNN算法，速度不慢，可以借鉴

神经网络

基于卷积神经网络的手写体识别19.2 深度学习的概念及关键技术1、神经网络模型2、深度学习之卷积神经网络19.3 Python深度学习库——Keras1、Keras的安装2、Keras的网络层3、用Keras构建神经网络19.4 程序设计的思路19.5 源代码1、MNIST数据集2、手写体识别案例体现3、预测自己手写图像 #!/usr/bin/env python # coding: utf-8 19.2 深度学习的概念及关键技术 1、神经网络模型 ·生物神经元 ·轴突（输出）终端为其他神经元的树突（输入） ·人工神经网络 2、深度学习之卷积神经网络 ·深度学习结构：含有多隐层的神经网络。

本系统是本人研一上学期在模式识别课程结束以后做的小项目，就是一个最普通的训练，还用了matlab的nntraintool。matlab版本为2016，据说是2018版本及以后的matlab都用不了了（手写板的eraser类不再支持什么的，我不太了解，2016完美运行）。系统的数据集来自minst手写数据集，不过进行了一些处理，只用到了50000个数据。系统的准确率还是可以的，在我的电脑上运行一次大概10分钟，准确率在96%以上，而且手写板上手写了的数字可以识别出来真的很好玩诶！本系统还有1.1版本，ver1.1可以实现多个数字的识别（即一识别就是一串）和语音播报。看原理的话，还是1.0容易一些。以后有时间会把1.1传上来，不要着急喔

今天小编就为大家分享一篇使用PyTorch实现MNIST手写体识别代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

mnist手写体数据集，已经亲自验证，可以直接应用到算法中。

反向传播神经网络（BP网络）java实现。我这个项目是用BPNN做手写体识别，最后效果并不好，不过算法本身是正确的，我用它做过习题。具体原理可以看我的博客

python手写体识别数据集，包括4个文件夹t10k-images-idx3-ubyte.gz，t10k-labels-idx1-ubyte.gz，train-images-idx3-ubyte.gz，train-labels-idx1-ubyte.gz

基于SVM的手写体数字识别，研究与应用 详细描述了如何识别手写数字

计算机视觉期末课程设计，手写体识别