用MATLAB识别图片中的手写数字并输出的源代码

以下是用MATLAB实现手写数字识别的源代码：

% 加载训练数据
load('mnist_train.mat');

% 训练数据的数量
num_train = size(train_images, 1);

% 输入层的大小
input_size = size(train_images, 2);

% 隐藏层的大小
hidden_size = 25;

% 输出层的大小
output_size = 10;

% 随机初始化权重
theta1 = rand(hidden_size, input_size + 1) * 0.01;
theta2 = rand(output_size, hidden_size + 1) * 0.01;

% 训练神经网络
for i = 1:num_train
    % 将当前的训练样本转换为一个向量
    x = [1; train_images(i, :)'];

    % 前向传播
    z2 = theta1 * x;
    a2 = sigmoid(z2);
    a2 = [1; a2];
    z3 = theta2 * a2;
    a3 = sigmoid(z3);

    % 将当前的训练标签转换为一个向量
    y = zeros(output_size, 1);
    y(train_labels(i) + 1) = 1;

    % 反向传播
    delta3 = a3 - y;
    delta2 = (theta2' * delta3) .* [1; sigmoidGradient(z2)];
    delta2 = delta2(2:end);

    % 更新权重
    theta2 = theta2 - 0.1 * delta3 * a2';
    theta1 = theta1 - 0.1 * delta2 * x';
end

% 加载测试数据
load('mnist_test.mat');

% 测试数据的数量
num_test = size(test_images, 1);

% 正确分类的数量
num_correct = 0;

% 对每个测试样本进行预测
for i = 1:num_test
    % 将当前的测试样本转换为一个向量
    x = [1; test_images(i, :)'];

    % 前向传播
    z2 = theta1 * x;
    a2 = sigmoid(z2);
    a2 = [1; a2];
    z3 = theta2 * a2;
    a3 = sigmoid(z3);

    % 找到预测的数字
    [max_value, max_index] = max(a3);
    predicted_digit = max_index - 1;

    % 如果预测正确，则增加正确分类的数量
    if predicted_digit == test_labels(i)
        num_correct = num_correct + 1;
    end
end

% 输出正确分类的数量和准确率
accuracy = num_correct / num_test * 100;
fprintf('Number of correct predictions: %d\n', num_correct);
fprintf('Accuracy: %.2f%%\n', accuracy);

该代码使用了一个简单的三层神经网络来识别手写数字。它首先加载MNIST数据集中的训练数据，使用反向传播算法训练神经网络，然后加载测试数据集，对每个测试样本进行预测，并计算预测准确率。注意，该代码使用了sigmoid激活函数和随机梯度下降算法来训练神经网络。