用Python不借助框架来实现神经网络的手写数字识别功能

简介：
本项目利用Python编程语言从零开始构建一个简单的神经网络模型，专门用于手写数字（如MNIST数据集中的）识别任务。通过逐步编写代码实现前向传播、反向传播和权重更新等核心算法，无需依赖高级机器学习框架，旨在加深对深度学习基础原理的理解与应用技能的培养。 实验目的及要求： 目的：不使用框架，在Python中实现神经网络，并通过实践学习反向传播算法的推导及其代码实现；掌握Xavier初始化、Adam优化器、数据归一化、批量规范化（Batch Normalization）以及Dropout等技术。 要求：根据给定结构和指定的初始化方法及学习算法，自行编写程序完成一个简单的神经网络模型。不允许使用现成的机器学习库，但可以利用numpy库进行辅助计算，并且需要对比以下情况下的损失曲线和混淆矩阵： 1. 有无数据归一化。 2. 有无批量规范化（Batch Normalization）。 3. 有无Dropout技术。 实验环境及采用的技术包括：Windows10操作系统，PyCharm开发工具，Python版本为3.7，并使用MNIST数据集进行训练和测试。此外还会用到numpy库来进行数学运算以及random库来辅助随机数生成等操作。