手把手教你搭建BP神经网络，并实现手写mnist手写数字识别

最新推荐文章于 2025-05-10 13:39:09 发布

原创

最新推荐文章于 2025-05-10 13:39:09 发布 · 1.1w 阅读

156 ·

CC 4.0 BY-SA版权

文章标签：

#图像识别 #BP神经网路 #深度学习

本文详细介绍了如何利用BP神经网络进行手写数字识别，从数学基础到推导过程，再到Python代码实现。通过训练和测试集，实现了对MNIST数据集的识别，最终达到了0.9722的识别准确率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、BP神经网络（back propagation neual network）过程原理：
1、数学基础：矩阵乘法、高数、不多做赘述直接上公式
2、推倒过程如下图片所示：
在这里插入图片描述
二、BP神经网络基于python的实现
代码：
可以直接使用，需要下载手写数字识别图像的文件，训练集：http://www.pjreddie.com/media/files/mnist_train.csv
测试集：http://www.pjreddie.com/media/files/mnist_train.csv ，下载完成后只需要在file操作时改成自己的文件路径
即可运行，得到训练的最终结果

import numpy
import scipy.special
import matplotlib.pyplot
#创建神经网络类，以便于实例化成不同的实例
class NeuralNetwork:
    def __init__(self,input_nodes,hidden_nodes,output_nodes,learning_rate):
    	#初始化输入层、隐藏层、输出层的节点个数、学习率
        self.inodes=input_nodes
        self.hnodes=hidden_nodes
        self.onodes=output_nodes
        #定义输入层与隐藏层之间的初始权重参数
        self.wih=numpy.random.normal(0.0,pow(self.hnodes,-0.5),(self.hnodes,self.inodes))
        #定义隐藏层与输出层之间的初始权重参数
        self.who=numpy.random.normal(0.0,pow(self.onodes,-0.5),(self.onodes,self.hnodes))
        self.lr=learning_rate
        #定义激活函数sigmoid