本文將採用深度學習中的卷積神經網路來訓練手寫數字識別模型。使用卷積神經網路建立合理的模型結構，利用卷積層中設定一定數目的卷積核（即濾波器），通過訓練資料使模型學習到能夠反映出十個不同手寫提數字特徵的卷積核權值，最後通過全連線層使用softmax函式給出預測數字圖對應每種數字可能性的概率多少。

本文以學習基於深度學習的手寫數字識別演算法的過程為線索，由簡入深，從最基礎的感知器到卷積神經網路，學習和理解深度學習的相關基本概念、模型建立以及訓練過程。在實現典型LeNet-5網路結構的同時，通過更改超模型結構、超引數進一步探索這些改變對模型準確率的影響。最後通過使用深度學習框架Keras以MNIST作為訓練資料集訓練出高識別率的模型並將其與OpenCV技術結合應用到攝像頭上實現實時識別數字，使用合理的模型結構，在測試集上識別準確率達到99%以上，在與攝像頭結合實際應用中的識別效果達到90%以上。

詳細的開發文件和程式原始碼我都分享在了個人部落格上了，感興趣的可以去看看：

https://www.write-bug.com/article/74.html