手写数字识别神经网络完整代码，带详细注释。

神经网络使用的两个数据集：一个是训练集（60000条），一个是测试测试集（10000条），下载后直接放在程序目录下就可以了

mnist手写字体训练集6000条，mnist_train.csv

mnist手写字体测试集10000条，mnist_test.csv

神经网络文件（nn3l.py）

"""
@文件：nn3l.py
@功能：这是一个3层的神经网络
@作者：Kwina
@日期：2020年7月14日
@说明：传入数据和输出数据都为列表形式
"""
import numpy as np
import scipy.special


class NeuralNetwork:
    """
    神经网络
    """
    def __init__(self, inputs, hiddens, outputs, learn_rate):
        self.inodes = inputs  # 输入层节点数
        self.hnodes = hiddens  # 隐藏层节点数
        self.onodes = outputs  # 输出层节点数
        self.lr = learn_rate  # 学习效率
        self.epoch = 0  # 迭代次数
        self.file_prefix = None  # 上次保存的权重文件的前缀
        self.wih = None  # 输入层至隐藏层的权重矩阵
        self.who = None  # 隐藏层至输出层的权重矩阵

    def set_weight(self):
        """
        设置权重
        """
        # 初始权重矩阵
        if self.epoch == 0:
            self.wih = np.random.normal(0.0, pow(self.hnodes, -0.5), (self.hnodes, self.inodes))
            self.who = np.random.normal(0.0, pow(self.onodes, -0.5), (self.onodes, self.hnodes))
        else:
            self.wih = NeuralNetwork.txt2array2d(self.file_prefix + '_wih.txt')
            self.who = NeuralNetwork.txt2array2d(self.file_prefix + '_who.txt')

    def train(self, inputs_list, targets_list):
        """
        训练网络
        :param inputs_list:训练源数据列表
        :param targets_list:正确结果列表
        """
        inputs = np.array(inputs_list, ndmin=2).T
        targets = np.array(targets_list, ndmin=2).T

        # 隐藏层计算
        hidden_inputs = np.dot(self.wih, inputs)
        hidden_outputs = NeuralNetwork.sigmoid(hidden_inputs)

        # 输出层计算
        final_inputs = np.dot(self.who, hidden_outputs)
        final_outputs = NeuralNetwork.sigmoid(final_inputs)

        # 误差计算
        output_errors = targets - final_outputs
        hidden_errors = np.dot(self.who.T, output_errors)

        # 反向传播更新权值
        self.wih += self.lr * np.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)), inputs.T)
        self.who += self.lr * np.dot((output_errors * final_outputs * (1.0 - final_outputs)), hidden_outputs.T)

    def query(self, inputs_list):
        """
        识别未知数据
        :param inputs_list: 数据应该和训练源数据长度一样
        :param epoch: 使用迭代多少代的数据
        :return: 数据列表，数字最大就是识别结果
        """

        # 输入
        inputs = np.array(inputs_list, ndmin=2).T

        # 隐藏层计算
        hidden_inputs = np.dot(self.wih, inputs)
        hidden_outputs = NeuralNetwork.sigmoid(hidden_inp