由于MATLAB版本的问题，有的同学下载之后可能出错，不保证个别版本出错呀 包含BP和CNN程序。不依赖任何库，包含MNIST数据，BP网络可达到98.3%的识别率，CNN可达到99%的识别率。CNN比较耗时，关于CNN的程序介绍：https://blog.csdn.net/hoho1151191150/article/details/79714691

英语手写体数据集图片及文本文档，用于训练神经网络，文本文档已经处理成一行一个文档，图片数据也是辛辛苦苦下载好的

BP神经网络识别手写数字项目代码，matlab版本，附带图片识别包，直接使用。原理及代码分析：https://blog.csdn.net/huang_miao_xin/article/details/51364152 因为原程序和博主发的解析有点问题，花了点时间处理了，傻瓜式操作，直接下载解压放E盘。打开matlab即可运行。

使用pytorch从模型训练到模型调用，再通过libtorch转成C++调用，全流程实现MNIST手写体数字识别

（手写体识别）MINST.zip

深度学习项目 手写体识别 前置：bootstrap，jquery 后台：django，tensorflow 数据集：Mnist 网络结构：CNN-池-CNN-池-CNN-全连接-Softmax 简介 新建一个虚拟环境，然后安装相关模块pip install -r requirements/dev.txt 初始化表python manage.py migrate 最后运行python manage.py runserver 运行示例 浏览器输入： : : 在画板写数字，点击识别即可

26个英文字母印刷体与手写体对照表.doc

为有效区分手写体与印刷体，提出了一种基于卷积神经网络隐层帧特征的分类方法。基于卷积神经网络，提取隐层帧特征，利用高斯混合模型结合隐马尔可夫模型的方法对该特征进行建模，再通过维特比解码算法判定每帧特征的类别。基于帧特征的识别结果，结合文本行图像信息对识别结果进行后处理，确定最终的手写体和印刷体的区域。在签名文书类文本行图像上，相比基线，所提方法对手写体与印刷体分类的识别率提升10.8%和27.57%。在自然场景、表格和带噪文档行验证了其有效性。

从emnist 中分离的的大写字母手写体,ABCD. 由于特殊环境需要，只识别选择题ABCD四个选项，发现emnist中letter中小写字符干扰较大，所以人工分离出大写字母ABCD.

Yolov3作手写数字识别，最好的新手入门项目。随机手写数字数据集 包含4000张可以直接使用的数据集 以及制作好的原始待检测视频+自己训练好的模型的检测视频。本资源的训练数据是labelImg标签过的，用了这个数据包和标签，你可以轻轻松松开始你的yolo之旅