第一部分<算法实现>：分别用 Numpy 和 TensorFlows 实现了二个版本的全连接神经网络，用 Mnist 数据集训练，将训练后的模型用真实手机拍照获得的手写数字图片进行识别，最后得到了不错的效果。
第二部分<算法落地>：将实现好的神经网路模型封装好，用PyQt5做了一个手写画板的界面，可以实现用户手写输入一个数字笔画后，自动识别转化为对应的数字。
src/numpy_demo: 仅用 Numpy 库实现的一个全连接神经网路，无用到开源框架。
src/tensorflow_demo: 基于开源框架 TensorFlow 实现的全连接神经网络。
src/data.rar: 使用过程中需要用到的数据，运行源码前请先将该压缩文件解压至当前目录。
dist: 将 Numpy 版的神经网络，应用于手写画板，打包成的exe，无Python环境也可执行。
打包后的 exe 程序过大，已经单独放至releases下。
把Mnist数据集划分为，训练集和测试集，下图是数字8的一些数据图片。
然后用模型训练，可以得到损失函数和模型在训练集和测试集上面的准确率。
收集一份真实手写的手机拍照图片，如下所示：
将手机拍照得到的手机图片，进行预处理后，作为未知数据集输入模型，得到对应的准确率：
可见拍照获得的一百张手写图片中，只有一张手写识别出错了，错误率仅为1%。具体可看下图
将模型封装，应用于手写数字识别，用户手画一个数字，即可识别，桌面app示例如下：
