MNIST数据集0~9，可用于测试MNIST模型的学习结果，格式为png图像，28*28像素，黑底白字。

mnist数据集包括leveldb和lmdb格式

客观的 在mnist数据集的时尚版本上比较了简单神经网络和整体（相等权重：LDA，朴素贝叶斯，SVM，核化kNN，随机森林）之间的性能。

TensorFlow官方文档里面， MNIST数据集 input_data

用于在MNIST数据集上训练和测试简单神经网络的完整代码，以识别0到9之间的单个数字（准确度约为98％）。 一切都从头开始实现，包括Adam优化器。 确保所有文件都在当前文件夹中，然后运行“ train.m”。 查阅http://neuralnetworksanddeeplearning.com/index.html来了解神经网络的理论，以及https://arxiv.org/abs/1412.6980来了解Adam优化器！

手写数字识别系统。图像二值化处理-图像切割-智能化个人手写数字识别。python代码使用SVM，matlab使用CNN。

文件 内容 train-images-idx3-ubyte.gz 训练集图片 - 55000 张 训练图片, 5000 张 验证图片 train-labels-idx1-ubyte.gz 训练集图片对应的数字标签 t10k-images-idx3-ubyte.gz 测试集图片 - 10000 张 图片 t10k-labels-idx1-ubyte.gz 测试集图片对应的数字标签

使用MNIST数据集完成简单的分类任务，本压缩包包含四个压缩文件，分别为训练集和测试集的标签和图像

最近在学习pytorch，手工复现了LeNet网络，并附源码如下，欢迎大家留言交流 import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torchvision import datasets, transforms class LeNet(nn.Module): def __init__(self): super(LeNet,self).__init__() self.conv1 = nn.Conv2d(1

matlab-mnist-two-layer-perceptron：在MatLab中实现的两层感知器，用于基于MNIST数据集识别手写数字