用K近邻（KNN）做手写体识别（MNIST），准确率可以达到94%。关于具体原理可以看我的博客

opencv3.1用SVM实现MNIST,可读取自己的图片，用Windows画板黑底白字，保存在测试项目路径下即可识别手写字

本资源包含一个Mnist手写体的训练脚本，可在环境配置好的情况下直接训练学习模型，然后可以根据模型输入任意照片，预测结果，直接可用，适合入门者。

自己编写的MNIST手写字Python实现，相关介绍http://blog.csdn.net/hoho1151191150/article/details/79583879

本项目即拿MFC做了一个画板，画一个数字后可自行识别数字。 有保存图片，清空画板功能，简单实用。 识别方法为SVM，调用已经训练好的MNIST数据集"SVM_DATA.xml" 训练方法自行百度，一大堆。。。 基于OpenCv 2.4.6,下载的朋友自行修改配置为自己使用的OpenCv版本即可。

基于selective_search源码对手写数字串进行过滤分割，并基于tensorflow在mnist训练好的模型进行识别。 环境：Windows10 + tensorflow1.2 + python3.5 + cv2 程序： example/demo.py---对手写数字图片的分割，并将每个数字做成28*28的黑底白字图片，保存在本地image_data.npy example/mnist_model.py---对手写体mnist数据集进行训练，训练好后读取数据进行识别 example/camera.py---是调用计算机摄像头获取图片用的，按q退出拍照 selectivesearch/selectivesearch.py---是选择性搜索的源代码 注意：手写数字的图片尽量不要太大（太大会显得数字写的太细，调大数字粗细度），每个数字大小不要差太多，可以在画板上写的一个数字长宽在50像素左右效果不错，其他的没有测试过。

笔者在Ubuntu18.04LTS系统上配置Caffe-GPU环境时遇到各种大坑小坑，在经历了几次漫长的环境配置之后，又重新装了一遍系统，将Caffe-GPU安装的每一步详细的过程记录下来。在配置过程中出现了3个小错误，但也都完美解决了！希望这篇文档对想入门Caffe深度学习的小伙伴有所帮助。

模仿mnist数据集格式制作自己的数据集

手写数字集 MNIST 使用matlab处理后得到的mnist_uint8.mat数据。 数据为uint8类型的图像像素数据，包含train_x,train_y,test_x,test_y, 每项都是一行向量的方式存储的。

代码主要实现了对手写数字的识别，可通过代码得到识别的错误率，