opencv实现ann mlp（多层感知机）识别手写数字 二

看了文档自带的neuron network的例子。马上来实现一下自己的。
素材选取vs2019 opencv410 c++ ，mnist_train.csv（60000个手写数字）、mnist_test_10.csv（10个手写字符）。

先做个简单版本，所以流程很简单：读取数据（训练数据和标签），设计模型，训练，用模型预测，保存和读取模型。

1. 读取数据
   mnist数据集的图片是28*28的。这也决定mlp第一层有784个神经元。
   解析csv文件中的图片。读取10000个手写字符，一个数字占据向量的一行。最后得到10000行784列的矩阵。对应的标签则是10000行10列的矩阵。他们的截图如下：上面是标签，下面是训练数据。
   

标签中第几列为1（我设为0.99），就表示数字几，一行只有一个1（0.99）.其余的都是0（我设为0.01）；将一行训练数据resize的结果并显示如下，显然，能看出数据并没有读取错误

2. 设计网络、训练、预测
   问题比较简单，直接用常见的mlp结构吧。3层，input：784,hidden:20,output:10;这是参考学习的结果，当然，其他的也是可行的。
   训练的流程和上一篇的例子代码中的过程一样，这里不在贴了，值得注意的是，参数要自己更改一下，如：训练权重系数和动量系数。这些参数怎么调，哪组好，这就是另一个问题了。
   训练，我设置了循环5次。
   实际训练图6万张，限于设备我取了1一万，训练5轮。这样几分钟就可以训练完成
   预测也是照着上一篇的代码来就行了。
   贴个预测结果的例子。第七个数值最高，表示网络认为输入的这个数值是7
   
3. 模型的保存和载入
   保存，

string model_path = "model.xml";
network->save(model_path);

载入训练好的模型.

network = cv::Algorithm::load("model.xml");

代码基本和上一篇例子代码差不多。非常简单的，得到的模型识别率不高。但是几分钟得到一个90%正确率以上的模型，而且错误识别的都是些奇葩，我觉得也可以接受吧。
贴一些结果
。这个4被正确识别了。


这个图是9的识别结果

最后贴一个没识别出来的例子


算了吧，这识别不出了我也可以接受，谁让只花了3分钟训练呢