该识别器的功能有：①界面化的输入方式，进行实时数字识别 ②可以识别多位的数字，例如23，234 ③可以选择多种识别方式，例DNN，CNN等

数字识别器-Kaggle 使用 Scikit-Learn 进行数字识别器 Kaggle 比赛。 文件 train.csv 和 test.csv 必须在工作目录中。 SVM_poly_deg2： 使用 SVM 进行数字识别（poly，degree = 2） Kaggle 准确率：0.97871 对于完整的数据集： 读取（预处理）时间 ~ 25.5 s 训练运行时间 ~ 146.5 s 预测运行时间 ~ 161.5 s （处理器：1.7 GHz Intel Core i7，内存：8 GB） SVM_rbf: 使用 SVM (rbf) 预处理数据的数字识别 Kaggle 准确率：0.96457 对于完整的数据集： 读取和缩放数据运行时间 ~ 25.0 s 训练运行时间 ~ 398.5 s 预测运行时间 ~ 346.8 s （处理器：1.7 GHz Intel Core

MNIST（“修改后的国家标准与技术研究所”）是计算机视觉事实上的“hello world”数据集。⾃1999年发布以来，这⼀经 典的⼿写图像数据集已成为分类算法基准测试的基础。随着新的机器学习技术的出现，MNIST仍然是研究⼈员和学习者 的可靠资源。