根据YANN LECUN的论文《Gradient-based Learning Applied To Document Recognition》设计的LeNet-5神经网络，C语言写成，不依赖任何第三方库。 MNIST手写字符集初代训练识别率97%，多代训练识别率98%。

main.c文件为MNIST数据集的识别DEMO，直接编译即可运行，训练集60000张，测试集10000张。

该项目为VISUAL STUDIO 2015项目，用VISUAL STUDIO 2015 UPDATE1及以上直接打开即可编译。采用ANSI C编写，因此源码无须修改即可在其它平台上编译。 如果因缺少openmp无法编译，请将lenet.c中的#include<omp.h>和#pragma omp parallel for删除掉即可。

#####批量训练 lenet: LeNet5的权值的指针，LeNet5神经网络的核心

inputs： 要训练的多个图片对应unsigned char二维数组的数组,指向的二维数组的batchSize倍大小内存空间指针。在MNIST测试DEMO中二维数组为28x28，每个二维数组数值分别为对应位置图像像素灰度值

resMat：结果向量矩阵

labels：要训练的多个图片分别对应的标签数组。大小为batchSize

batchSize:批量训练输入图像（二维数组）的数量

void TrainBatch(LeNet5 *lenet, image *inputs, const char(*resMat)[OUTPUT],uint8 *labels, int batchSize);

#####单个训练 lenet: LeNet5的权值的指针，LeNet5神经网络的核心

input： 要训练的图片对应二维数组

resMat：结果向量矩阵

label: 要训练的图片对应的标签

void Train(LeNet5 *lenet, image input, const char(*resMat)[OUTPUT],uint8 label);

#####预测 lenet: LeNet5的权值的指针，LeNet5神经网络的核心

input: 输入的图像的数据

labels: 结果向量矩阵指针

count: 结果向量个数

return 返回值为预测的结果

int Predict(LeNet5 *lenet, image input, const char(*labels)[LAYER6], int count);

#####初始化 lenet: LeNet5的权值的指针，LeNet5神经网络的核心

void Initial(LeNet5 *lenet);