本项目最终将基于Python实现的前馈神经网络实现一个手写数字识别系统，系统会在服务器启动时自动读入训练好的神经网络文件，用户可以通过在html页面上手写数字发送给服务器来得到识别结果。
本项目完成过程中，我们将学习：
- 什么是神经网络
- 在浏览器完成手写数据的输入与请求的发送
- 在服务器端根据请求调用神经网络模块并给出响应
- 实现BP神经网络
- 多分类Logistic regression
- sklearn库中SVM的使用
我们的手写数字识别系统分为5部分，分别写在4个文件中：
- 客户端（
digit_recognizer.js） - 服务器（
server.py） - 用户接口（
index.html） - 神经网络(
network2.py)
客户端(index.html)是一个html页面，用户在canvans上写数字，之后点击选择预测。客户端(digit_recognizer.js)将收集到的手写数字组合成一个数组发送给服务器端(server.py)处理，服务器加载训练完成后的模型(network2.json)并进行预测，然后将结果返回给客户端。
MNIST数据集是一个手写数字的数据集。训练集包含了60,000个样本，测试集包含了10,000个样本。它的每个样本都被规范处理为一张28px*28px的灰度图。
该数据集包含4个文件：
- train-images-idx3-ubyte.gz: training set images (9912422 bytes)
- train-labels-idx1-ubyte.gz: training set labels (28881 bytes)
- t10k-images-idx3-ubyte.gz: test set images (1648877 bytes)
- t10k-labels-idx1-ubyte.gz: test set labels (4542 bytes)
使用 ./data/code/run.sh 下载上述4个文件并解压。
使用 ./data/code/transform.c 将数据集转换为 csv 格式，并将训练集拆分成：50,000 个样本作为训练集和 10,000 个样本作为验证集。
学习率0.01，小批量10，训练时间564s，准确率91.8%，测试时间2.48s
训练时间302s，准确率92.6%
训练时间514.096s，准确率94.5%
准确率96.9%
输入python server.py打开服务器。
在页面上写一个数字预测看看：