本博客以经典的MNIST手写体数字识别为例，在不调用任何第三方库和框架的情况下，逐步实现一个通用的深度学习网络模型体系结构，使用matlab进行快速构建、训练和测试。程序中使用的理论知识和变量名严格按照两个blog的符号和公式，DNN神经网络的back update (BP)和卷积神经网络(CNN)的back propagation算法。MNIST手写数字包含60000张训练图像，10000张测试图像，图像大小为28 × 28，灰度图像，官方网站给出4个二进制存储文件，分别是训练和测试数据集和标签文件。假设读者已经了解了链接博客的理论知识(如果不清楚，可以参考更多的文献和程序代码中给出的链接)，接下来我们进行以下具体实施。
本篇博客以经典的MNIST手写数字识别为例,逐步一步步实现通用的深度学习网络模型架构,不调用任何第三方库和框架,使用matlab进行快速搭建,训练和测试。程序中所涉及的理论知识及使用的变量名严格按照款神经网络的反向更新(BP),卷积神经网络(CNN)反向传播算法这两篇博客的符号和公式进行。MNIST手写数字包含60000张训练图片,10000张测试图片,图片大小为28×28日灰度图像,官网给出的是四个二进制存储的文件,分别为训练和测试的数据集和标签文件。假设读者已经明白所给链接博客的理论知识（不清楚可以参考更多文后的文献和程序代码中给的链接），我们接下来进行下面的具体实现。