包含0到9的符合中国人手写习惯的数字样本，可以用来训练分类器，尤其适合于深度学习中的卷积神经网络，由于上传文件不能大于50M，故此样本为其中一部分，读者可仿照样子自己制作样本

Android TensorFlow Lite 初探 数字分类器 非kotlin 相关文章:https://blog.csdn.net/ansondroider/article/details/108508065 修改后的JAVA代码

智能计算系统实验2-2-DLP 平台实现手写数字分类

本代码利用MATLAB自建5层CNN模型完成手写数字字体识别，全套代码 100%可用。

BP神经网络以及在手写数字分类中python代码的详细注释-附件资源

使用opencv扩展模块进行机器学习SVM进行手写数字分类

使用scikit-learn在python中进行SVM MNIST数字分类 该项目提出了的众所周知的问题。 出于本教程的目的，我将使用具有原始像素特征的算法。 该解决方案使用易于使用的机器学习库以python编写。 该项目的目标不是达到最先进的性能，而是教您如何使用sklearn的SVM在图像数据上训练SVM分类器。 尽管该解决方案并未针对高精度进行优化，但结果还是不错的（请参见下表）。 如果您想获得最佳性能，这两个资源将向您展示当前的最新解决方案： 下表显示了与其他模型相比的一些结果： 方法 准确性 评论 随机森林 0.937 简单的一层神经网络 0.926 简单的2层卷积网络 0.981 支持向量机 0.9852 C = 5，伽玛= 0.05 线性SVM + Nystroem内核逼近 线性SVM +傅立叶核逼近 项目设置 本教程是在Ubuntu 18.10上编写和测试的。 项目包含具有所有必要库的Pipfile Python-版本> = 3.6 pipenv-软件包和虚拟环境管理 麻木 matplotlib scikit学习 安装Python。 git克隆仓

训练数据分类保存在10个文件夹中。测试数据在一个文件夹中。每一个图像文件命名为：序号_类别.png。MNIST数据集包括60000个训练样本(train-images.idx3-ubyte)、60000个训练标签(train-labels.idx1-ubyte)、10000个测试样本(t10k-images.idx3-ubyte)、10000个测试标签(t10k-labels-idx1-ubyte)。

智能计算系统实验2-1-基于三层神经网络实现手写数字分类.zip

一套能够正确识别手写体的软件系统，使用matlab为开发平台。