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

mnist手写数字数据集，或者到“智能算法”微信公众号里回复mnist下载

深度学习Caffe框架实战剖析教程（深度学习、机器学习、LeNet-5模型、MNIST数据集、CNN），本教程以目前已经大量用于线上系统的深度学习主流框架Caffe为例，从底层开始，由浅入深，先是概述Caffe框架，说明其和深度学习的关系，然后讲解并演示 Caffe的配置、部署、使用，接着讲解了Caffe的基本数据结构，然后通过大量的阅读Caffe源码理解其精髓，加强对深度学习理论的理解，终达到熟练运用 Caffe 解决实际问题的目的。

宽度学习BLS的matlab代码+Mnist数据集

里面包含基于TensorFlow的mnist数据集卷积神经网络代码，从数据提取，到精度测试都有，适合初学者观看。