Multi_Layer_Perceptron_Classifier_MNIST-Dataset：对粒子数据集使用多层Perceptron分类模型以获得高性能

从https://s3.amazonaws.com/img-datasets/mnist.pkl.gz 下载的，直接放置于..\envs\tf\Lib\site-packages\keras\datasets目录下即可

手写字mnist数据集，下载速度快

保持意义的持续学习（MPCL） 这是的后续。 核心思想保持不变。 定位意义 MPCL认为，潜在表示通过对外界采取行动而获得了意义。 为了使连续学习在复杂的环境中易于管理并避免，含义必须随着时间的流逝而保持稳定。 这是MPCL背后的核心思想。 请注意，稳定性并不意味着闲置：只要可以在表示的计算范围之外继续满足其目的，就可以完善表示模型。 MPCL借鉴了内含的。 我希望MPCL可以帮助建立更多位置的人工代理，尽管它并不完全符合当前的体现/情境认知理论。 在我的情境认知版本中，意义是核心。 “含义”是与需要稳定的外界的联系。 传统上，程序员是要确定算法输入和输出的含义的，因为含义不会神奇地从其算法的语法复杂性中浮现出来。 智能行为也不是来自孤立的算法，因为只有当智能算法在观察者眼中做出有意义的事情时，智能算法才能被认为是智能的，即，行为模式只能在可理解的范围内被认为是智能的。 在本自述

MNIST手写字 Matlab程序，包含BP和CNN程序。不依赖任何库，包含MNIST数据，BP网络可达到98.3%的识别率，CNN可达到99%的识别率。CNN比较耗时，关于CNN的程序介绍：https://blog.csdn.net/hoho1151191150/article/details/79714691

我自己的0~9 手写数字，适合用于神经网络手写数字识别测试。

keras经典数据集fashion-mnist 第一次使用放在用户.keras下的datasets就行 放进去就不用下载了

MNIST数据集是一个入门级的计算机视觉数据集，数据集中都是美国中学生手写的数字，其中训练集包括6万张图片，测试集包括1万张图片，并且数字已经进行过预处理和格式化。

图像分类-卷积神经网络：使用MNIST时尚数据集，构建了卷积神经网络将图像分类为10个类别之一。 使用TensorFlow Framework和Keras库实现了CNN。 在Google Colab上以60,000张图像训练模型

mnist手写数字数据集