神经网络实现手写数字识别

神经网络可以用于实现手写数字识别。下面是一个简单的示例：

import numpy as np

# 定义神经网络的参数
input_size = 784
hidden_size1 = 50
hidden_size2 = 100
output_size = 10

# 初始化权重和偏置
W1 = np.random.randn(input_size, hidden_size1)
b1 = np.zeros(hidden_size1)
W2 = np.random.randn(hidden_size1, hidden_size2)
b2 = np.zeros(hidden_size2)
W3 = np.random.randn(hidden_size2, output_size)
b3 = np.zeros(output_size)

# 定义前向传播函数
def forward(X):
    # 第一层隐藏层
    z1 = np.dot(X, W1) + b1
    a1 = np.tanh(z1)
    
    # 第二层隐藏层
    z2 = np.dot(a1, W2) + b2
    a2 = np.tanh(z2)
    
    # 输出层
    z3 = np.dot(a2, W3) + b3
    exp_scores = np.exp(z3)
    probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True)
    
    return np.argmax(probs, axis=1)

# 使用示例数据进行推理处理
X = np.random.randn(10, input_size) # 10个手写数字图像
predicted_labels = forward(X)

print(predicted_labels)

这个示例中，我们定义了一个具有两个隐藏层的神经网络，输入层有784个神经元，输出层有10个神经元，分别对应数字0到9的分类。我们使用随机初始化的权重和偏置，并使用tanh作为激活函数。然后，我们使用示例数据进行前向传播，得到预测的标签。