大家好，我是小木，今天是卷积神经网络的最后一节课，我们要讲的内容是大大迭代及测试环节。
首先说一个问题，就是为什么要旋转180度，可不可以不旋转？我的回答是不可以不旋转，为什么呐？这个不是卷积神经网络模型的问题，是matlab软件的问题，这个软件它的卷积函数当中有一条语句是自动把矩阵旋转180度。也就是说当我们执行卷积命令之后，它就会在执行完毕的过程中旋转180度。为了保持一致，我们在反向传播过程中在给它转回来。就是这样。如果大家用的是caffe或者tensorflow什么的，完全忽视旋转 180度这个梗就OK，当我们上节讲的不存在。
接下来，我要说的问题是大大迭代了，再说大大迭代之前，我们复习一下之前的内容：
我们之前正向传播到最后，要做的是计算一下MSE，然后再进行反向传播，之后再进行正向传播，然后反向传播，依次进行1200次。但是我们用MSE最小作为，模型最优有点牵强。为什么呐，因为我们每一次都是用了不同的数据，也就是每次随机选择50个。所以计算出来的MSE每次结果可能有点不符合逻辑。那么我们就用一个加权MSE来解决这个问题。
怎么用呢？比如我们第一次正反传播结束，我们记录一个MSE值为M1=m1，第二次传播结束时候我们令第二个MSE值为M2=0.99*M1+0.01*m2。第三次为M3=0.99*M2+0.01*m3。以此类推，直到M1200=0.99*M1199+0.01*m1200。这样我们的传播就结束了。最终的MSE结果是加权值，也就是M1200。
在我们第一次得出加权值后，同理我们把我们最后一次，也就是第1200次反向传播修订的权值和偏置量作为模型的最后的权值、偏置量。接着就是用这组权值、偏置量来进行下一次迭代（注意，这次迭代是第二次1200次的迭代哦！），我们称这样的迭代叫做大大迭代。当我们第二次大大迭代结束之后，我们又得到了一个新的MSE加权值。就这样我们设定一个大大迭代的次数N，然后让这个正反向1200次传播，大大迭代N次。
说完了大大迭代，我们还有要了解的就是怎么进行测试呢？测试很简单，在我们大大迭代N次之后，我们会得到最终卷积神经网络的各层权值和偏置量，我们把这个结果记录下来。
接着我们导入1W个28*28的数字图（注意，这些图图和之前训练的6W张图图一定是不一样的）。然后我们把每一张图片都导入神经网络中进行正向传播计算，最后我们会得到一个输出变量Y，也就是判断了这个图图上面的数字是几。我们同理导入1W张，这样我们就得到了1W个是几的数字。我们导入的图图有一点我们是必须要知道的，就是这张数字上面到底是几。我们把到底是几作为标签。然后，我们与我们卷积神经网络正向传播求出来的数据进行对比，看看一致不一致。如果1W张图中有9000张输出变量和标签一致，那么模型判断的准确率为：9000/10000=0.9=90%。现在训练这个图片准确率的权值和偏置量在网上已经有好多了，97%以上的都一堆一堆了，大家不妨百度去搜搜。这样我们的测试就完成了。
如果测试的结果不是很好，那么我们就以最后的结果作为第一次的输入（这次就不随机生成了），然后再进行正反向传播，直到符合我们的要求为止。
我们的卷积神经网络模型到这里就全部都讲解完成了，如果大家有疑问，欢迎留言或者私信我。
最后我来总结一下神经网络模型的流程，其用一张图表示为：
展开表示更简单：
深度学习的内容今后有时间，我还会为大家讲解一些实例。
————————————————
如果对我的课程感兴趣的话，欢迎关注小木希望学园-微信公众号：
mutianwei521
也可以扫描二维码哦！
