简单的神经网络识别手写数字
隔了一周没有更新博客了，先把上一次的神经网络的代码和数据集下载链接附上：
简单的三层神经网络
里面有所有的代码和一个完整测试集和训练集的数据。顺便再推广一下百度链接：
百度网盘
提取码：udny
这一次呢，我们用上一次的神经网络来测试一下对于手写数字（图片）的识别率。
前期准备：
为了测试，我就先在纸上手写了一些“工整”的数字，并用“特殊手段”将图片进行了处理，得到了几个用于测试手写数字识别率的图片（标准的图片大小为28*28，确保输入层的节点数为784，好吧，我承认是懒所以只写了五个）。
代码编写：
和上一次的神经网络一样，我这次的训练数据同样采用数据集进行训练，但是测试部分的代码要进行更改（毕竟要输入的是图片呀）。但是更改并不大，可以将上一次的代码的测试部分的代码更改一下即可使用：
# 开始测试数据
# 负责一维数组的参数
k = 0
# 制作一个一维数组负责存储二维数组扁平化以后的数据
inputs = numpy.zeros(784)
# 图片信息的真实数据
correct_answer = [2, 3, 4, 5, 6]
for l in range(5):
file_name = '\my_own_'+str(l+2)+'.png'
img = numpy.array(Image.open('data\神经网络2.0\image'+file_name).convert('L'))
rows, cols = img.shape
for i in range(rows):
for j in range(cols):
inputs[k] = 255-img[i][j]
k = k+1
pass
pass
print("correct answer is :" + str(correct_answer[l]))
outputs = n.query(inputs)
answer = numpy.argmax(outputs)
print("our answer is :" + str(answer))
k = 0
pass
简单的解释一下上面的代码（python大神略过，哈哈）：
numpy.array(Image.open(‘data\image’+file_name).convert(‘L’))
功能：将读取的图片的像素点的值转化为矩阵，255和0代表不同的像素点需要的像素管的个数不同，个数越高，亮度越高，所以白色是255。为了将像素点的数值和训练集的数据匹配，所以用255减去数值，就可以得到我们需要的图片各个点的数值大小。
好了，代码改完了，测试一下：
哈哈，全对，证明了两件事情：
1、这个神经网络没有多大的问题，可以正常的识别手写数字了；
2、我的字也没有那么潦草嘛（终于可以和我妈证明我的字机器也是可以认得的）
这篇文章比较短，和以前一样，最后附上完整的代码的百度链接：
百度云盘：神经网络2.0
提取码：dcge
里面包含训练用数据集以及本人“亲笔手写”的处理过可以直接使用的图片，这一次的文章比较短，主要是为了放一个大招：验证码识别，下一次的博文我将会展示如何用神经网络来进行验证码的识别，还望大家多多指导。