mnist手写体的识别采用KNN算法，Java实现，60K训练集，10K测试集。代码主要包括读mnist数据集，KNN算法。

基于华为自研MindSpore深度学习框架构建网络模型，实现MNIST手写体识别实验。 包含可运行源码、运行结果演示视频，本地MindSpore详细配置教程（私信可远程配置） 本例子会使用MindSpore深度学习框架实现一个简单的图片分类实验，整体流程如下： 1、 处理需要的数据集，这里使用了MNIST数据集。 2、 定义一个网络，这里我们使用LeNet网络。 3、 定义损失函数和优化器。 4、 加载数据集并进行训练，训练完成后，查看结果及保存模型文件。 5、 加载保存的模型，进行推理。 6、 验证模型，加载测试数据集和训练后的模型，验证结果精度。

利用神经网络进行手写体数字识别的方法研究.doc

基于MINST数据库的手写体数字识别CNN设计，其中CNN自己编程实现，包括卷积层，池化层以及激活层等，不使用matlab工具箱。matlab2021a或者高版进行测试。由于MINST数据库数据库较大，运行较慢，请耐心等待。

利用单层CNN网络提取手写体数字图像的特征，并采用双层全连接网络完成手写体数字的多分类任务。实验数据集选取无偏性较好的MNIST数据。

搭建一个简单的神经网络模型，训练mnist数据集，实现数字手写体识别

1。总体概要 kNN算法已经在上一篇博客中说明。对于要处理手写体数字，需要处理的点主要包括： （1）图片的预处理：将png，jpg等格式的图片转换成文本数据，本博客的思想是，利用图片的rgb16进制编码（255，255，255）为白色，（0，0，0）为黑色，获取图片大小后，逐个像素进行判断分析，当此像素为空白时，在文本数据中使用0来替换，反之使用1来替换。 from PIL import Image '''将图片转换成文档，使用0，1分别替代空白和数字''' pic = Image.open('/Users/wangxingfan/Desktop/1.png') path = open(

最近学习了一下BP神经网络，为了更加深入理解自己动手利用matlab实现了神经网络，本资源附带MNIST数据集

训练数据为28×28。经过9×9×20的滤波器矩阵滤波过后，提取出20×20×20的FeatureMap矩阵。将得到的特征矩阵经过ReLU激活函数后，求得Y1，Y1经过2×2的平均池化后，降低图像维度，得到Y2。分类子网络中采用“交叉熵+Softmax”和小批量算法的方法对数据进行训练，Y1经过Reshape函数转化为列向量，得到y2。y2再输入进分类子网络中。分类子网络采用BP策略，将误差向后传播，并更新网络中的权重值。

基于MATLAB的MINIST数据库数据手写体识别，matlab2021a仿真测试。