写数字识别：基于神经网络实现数字图片识别的技术用pyhton语言实现并将要用数字识别的图片数据分为验证集、测试集、训练集，将要使用的data手写图片数据通过图片的形式读取出来，还能读取并随机展示3000条的chinses_mnist.csv中的suite_id sample_id code value character相关数据,最后要给出数据的出处来源，不准使用mnist数据集（要自己的手写图片代替），路径代码写简单一点

这是一个比较复杂的任务，需要使用一些第三方库和深度学习框架，比如 TensorFlow 或 PyTorch。下面是一个简单的代码示例，可以帮助你了解如何实现这个任务：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf

# 读取数据
data = pd.read_csv('chinses_mnist.csv')
# 随机展示3000条数据
sample_data = data.sample(n=3000)
# 提取图片数据和标签
x_data = sample_data.drop(columns=['suite_id', 'sample_id', 'code', 'character']).values
y_data = sample_data['code'].values

# 将图片数据分为训练集、测试集、验证集
x_train = x_data[:2000]
y_train = y_data[:2000]
x_test = x_data[2000:2500]
y_test = y_data[2000:2500]
x_val = x_data[2500:]
y_val = y_data[2500:]

# 定义模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(256, activation='relu', input_shape=(64,)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# 训练模型
history = model.fit(x_train, y_train, epochs=10, validation_data=(x_val, y_val))

# 测试模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)

# 预测图片
index = 0   # 选择一张图片进行预测
image = x_test[index]
label = y_test[index]
prediction = np.argmax(model.predict(np.array([image])))
print('Label:', label)
print('Prediction:', prediction)

# 显示图片
plt.imshow(image.reshape((8, 8)), cmap='gray')
plt.show()

这个代码示例使用了 pandas 库来读取 CSV 文件，使用了 TensorFlow 2.0 来定义和训练模型。其中，x_data 是图片数据，y_data 是标签，每张图片是一个 $8 \times 8$ 的矩阵，展开后是一个长度为 64 的向量；标签是数字的 ASCII 码。训练集、测试集、验证集的划分采用了简单的切片方法。模型使用了两个 Dense 层和一个 Softmax 层，训练采用了 Adam 优化器和交叉熵损失函数。最后，代码展示了如何读取一张图片并进行预测，并将其显示出来。

需要注意的是，这个代码示例只是一个简单的示例，并没有经过充分的调试和优化。实际应用中，你可能需要对模型进行更加复杂的设计和调整，以达到更好的性能。另外，手写数字的识别任务相对比较简单，如果想要进行更加复杂的图像识别任务，可能需要使用更加强大的模型和更多的数据。