BP神经网络与支持向量机二级识别手写体数字的中期报告本次实验中，我们主要使用了BP神经网络和支持向量机（SVM）两种算法来进行手写体数字的二级识别。首先是BP神经网络算法。我们将MNIST手写数字数据集作为训练集，将每个数字的图像转化为一个28x28的矩阵，然后将矩阵展开成一个784维的向量，并将标签进行one-hot编码。我们使用了一个3层的神经网络，输入层有784个神经元，隐含层有128个神经元，输出层有10个神经元。我们使用了交叉熵损失函数和梯度下降算法进行训练。我们在测试集上的准确率达到了98.5%左右。接着是支持向量机算法。我们同样将MNIST手写数字数据集作为训练集，但这次我们将每个数字的图像转化为一个16x16的矩阵，然后将矩阵展开成一个256维的向量，并将标签转化为整数型。我们使用了线性核函数和软间隔SVM进行训练。我们在测试集上的准确率达到了97.5%左右。在这两种算法中，BP神经网络算法表现更好一些，但SVM算法的准确率也比较高。下一步，我们将尝试使用更复杂的神经网络模型，并可能尝试使用其他的核函数和调整SVM的超参数，以进一步提高准确率。