简单BP神经网络分类手写数字识别0-9

前言：本人旨在交流代码，细节和原理不清楚的可以留言，以后做完了再整理，现在先放一部分，可以直接使用

1.代码可以直接在c上运行，输入为5*5矩阵，比如数字0：

1 1 1 1 1

1 0 0 0 1

1 0 0 0 1

1 0 0 0 1

1 1 1 1 1

因为训练集合太小，决定用matlab生成大量训练样本，放在后文中。

2.c语言实现代码：（BP推导很简单，不会的自己可以留言，代码中有详细注释)

#include <stdio.h>
#include <math.h>
#include <stdlib.h>
#include <time.h>

#define COUNT 50//样本数量
#define IN_NUM 25//输入层神经元数量
#define OUT_NUM 10//输出层神经元数量
#define numHidden 30//隐含层神经元数量

double weight_hidden[IN_NUM][numHidden];//输入层到隐含层的权值
double bias_hidden[numHidden];//隐含层的阈值
double weight_output[numHidden][OUT_NUM];//隐含层到输出层的权值
double bias_output[OUT_NUM];//输出层的阈值
double learnRate = 0.4;//学习数率
double accuracy = 0.001;//最大容许误差0.000001
int	   maxloopCount = 1000000;//最大学习数率
double fnet(double net)//Sigmoid
{
	return 1 / (1 + exp(-net));
}
double dfnet(double net)//Sigmoid导函数 y = s*（s-1）
{
	return  net * (1 - net);
}
int InitBP()//得到-1到1随机数
{
	int i, j;
	srand((unsigned)time(NULL));
	for (i = 0; i < IN_NUM; i++)
	for (j = 0; j < numHidden; j++)
	{
		weight_hidden[i][j] = rand() / (double)(RAND_MAX)-0.5;
		bias_hidden[j] = rand() / (double)(RAND_MAX)-0.5;
	}
	for (i = 0; i < numHidden; i++)
	for (j = 0; j < OUT_NUM; j++)
	{
		weight_output[i][j] = rand() / (double)(RAND_MAX)-0.5;
		bias_output[j] = rand() / (double)(RAND_MAX)-0.5;
	}

	return 1;
}
int TrainBP(float x[COUNT][IN_NUM], float y[COUNT][OUT_NUM])
{
	double delta_hidden[numHidden], delta_output[OUT_NUM];//中间计算量
	double output_hidden[numHidden], output_output[OUT_NUM];//隐含层输出  输出层输出
	double temp;//中间累加值
	double loss;
	int i, j, k, n;
	for (n = 0; n < maxloopCount; n++)
	{
		loss = 0;
		for (i = 0; i < COUNT; i++)//逐个数据进行计算，整个数据计算一遍后n+1
		{
			/*前相传播*/
			//计算隐含层输出
			for (k = 0; k < numHidden; k++)
			{
				temp = 0;
				for (j = 0; j < IN_NUM; j++)
					temp += x[i][j] * weight_hidden[j][k];
				output_hidden[k] = fnet(temp + bias_hidden[k]);
			}
			//计算输出层输出
			for (k = 0; k < OUT_NUM; k++)
			{
				temp = 0;
				for (j = 0; j < numHidden; j++)
					temp += output_hidden[j] * weight_output[j][k];
				output_output[k] = fnet(temp + bias_output[k]);
			}
			//计算误差
			for (j = 0; j < OUT_NUM; j++)
				loss += 0.5*(y[i][j] - output_output[j])*(y[i][j] - output_output[j]);
			/*方向传播阶段*/
			//更新输出层的权值
			for (j = 0; j < OUT_NUM; j++)
				delta_output[j] = (y[i][j] - output_output[j])*dfnet(output_output[j]);
			for (j = 0; j < numHidden; j++)
				for (k = 0; k < OUT_NUM; k++)
				{
					weight_output[j][k] += learnRate * delta_output[k] * output_hidden[j];
				}
			//更新输出层的偏重
			for (k = 0; k < OUT_NUM; k++)
				bias_output[k] += learnRate * delta_output[k];
			//更新隐含层权重
			for (j = 0; j < numHidden; j++)
			{
				temp = 0;
				for (k = 0; k < OUT_NUM; k++)
					temp += weight_output[j][k] * delta_output[k];
				delta_hidden[j] = temp * dfnet(output_hidden[j]);
			}
			for (j = 0; j<IN_NUM; j++)
				for (k = 0; k < numHidden; k++)
					weight_hidden[j][k] += learnRate*de