本文主要是根据《matlab手写神经网络实现识别手写数字》博客中的代码进行试验。由于没有数据集，所以采用了MNIST数据集进行代码的运行。数据集不同所以需要对代码进行微小改动。

简介

数据处理：4000张作为训练样本，1000张作为测试样本；
图像大小：图片的灰度值矩阵（28，28）；
图像名称：由标签和顺序号组成。标签_顺序号.bmp
训练样本：每个数字的图像名称的顺序号是从0-399，各400个。

测试样本：每个数字的图像名称的顺序号是从401-500，各100个。

标签制作

标签格式：
训练数据集中前400个标签都是[1,0,0,0,0,0,0,0,0,0]代表数字0，401-800个标签都是[0,1,0,0,0,0,0,0,0,0]代表数字2，其余类推。这也就是所谓的onehot
由于数据集不同，图像的格式也不一样等因素，需要对代码稍微做修改，具体如下：
制作label时遇到的障碍，xlswrite()函数在写入矩阵时对矩阵大小有限制，一定要小心，因为我的电脑安装的是2003，所以无法对4000列数据直接写入，只好行列互换后再存储，代码将生成两个xsl文件，分别是label.xsl和label2.xsl,分别是训练数据和测试数据的标签。
增加一个label_create.m文件，用来新建标签文件。
label_create.m代码：

% 创建Excel存储label
% 根据图片的名字,例如：3_101.bmp，第一个数值是标签，第二个是图片数。
% 为了转换成神经网络的标签，0-9这10个标签应转换为[1,0,0,0,0,0,0,0,0,0],[0,1,0,0,0,0,0,0,0,0]
% 这样的格式，即第几位是1就代表标签是几？如[0,1,0,0,0,0,0,0,0,0]代表2
% 例如我们的前 400个图都是0，所以标签都是[1,0,0,0,0,0,0,0,0,0]
% 因为每个版本的Excel允许存储的行列不同，这里是2003版存储不下4000列，故需要将label矩阵转置后才能存下
% Excel2003可存储：65536*256
clear all;
clc;
label=zeros(10,4000);
label2=zeros(10,1000);

eye_sam=eye(10);
for j=1:10
    label(:,(400*(j-1)+1):400*j)= repmat( eye_sam(:,j),1,400 );
end
T=label';
xlswrite('D:\Documents\MATLAB\label.xls',T);

for j=1:10
    label2(:,(100*(j-1)+1):100*j)= repmat( eye_sam(:,j),1,100 );
end
T2=label2';
xlswrite('D:\Documents\MATLAB\label2.xls',T2);

getdata.m代码修改：

function[x_train,y_train,x_test,y_test]=getdata()
% 把图片变成像素矩阵
% path :图片路径 
% x_train:训练样本像素矩阵(784,4000)
% y_train:训练样本标签(10,4000)
% x_test:测试样本像素矩阵(784,1000)
% y_test:测试样本标签(10,1000)

x_train = [];
for i=0:9
    for j=0:399
        x=im2double(imread(strcat('D:\Documents\MATLAB\images4000\',num2str(i),'_', num2str(j),'.bmp')));
        x=reshape(x,784,1);         % 将28*28的数值矩阵变为784*1,每列代表一幅图
        x_train = [x_train,x];      % 每循环一次加入一列数据
    end
end

x_test =[];
for i=0:9
    for j=401:500
        x=im2double(imread(strcat('D:\Documents\MATLAB\images_test1000\',num2str(i),'_', num2str(j),'.bmp')));
        x=reshape(x,784,1);         % 将28*28的数值矩阵变为784*1,每列代表一幅图
        x_test = [x_test,x];        % 每循环一次加入一列数据
    end
end

% 读取标签文件，注意：由于标签的存储问题，读入后需要进行转置
data=xlsread('label.xls');
data2=xlsread('label2.xls');
y_train=data';
y_test = data2';

% 返回的参数
x_train;
y_train;
x_test;
y_test;

end

其余代码保持和原博客中的一致。全部文件如下图：

运行main.m文件即可。