簡單看看MNIST訓練正確率統計

6-layer NN 784-2500-2000-1500-1000-500-10 (on GPU) [elastic distortions]	none	0.35	Ciresan et al. Neural Computation 10, 2010 and arXiv 1003.0358, 2010
committee of 25 NN 784-800-10 [elastic distortions]	width normalization, deslanting	0.39	Meier et al. ICDAR 2011

　　人工神經網絡中，錯誤率最低分別是0.35與0.39，但是可以看出錯誤率達到0.39的，中間僅僅用了800個神經元作為一箇中間層，而0.35雖然結果更優，但是中間使用了6層結構，然後花費了2500、2000、1500、1000、500個神經元作為中間層，這個運算量極其恐怖，一般的電腦很難計算。所以相對來說，只用了800個神經元進行了width normalization及deslanting處理的數據，達到了0.39的成績，似乎這個比較有實用價值。

　　normalizationy是正則化，而deslanting則是指將圖片進行加反抗鋸齒化，類似於在上面加噪點，或者應該叫毛邊化或鋸齒化。至於對原圖進行elastic distortions，這個是再理所當然不過的事了，這個能增強網絡的泛化能力。

large conv. net, unsup pretraining [elastic distortions]	none	0.39	Ranzato et al., NIPS 2006
large conv. net, unsup pretraining [no distortions]	none	0.53	Jarrett et al., ICCV 2009
large/deep conv. net, 1-20-40-60-80-100-120-120-10 [elastic distortions]	none	0.35	Ciresan et al. IJCAI 2011
committee of 7 conv. net, 1-20-P-40-P-150-10 [elastic distortions]	width normalization	0.27 +-0.02	Ciresan et al. ICDAR 2011
committee of 35 conv. net, 1-20-P-40-P-150-10 [elastic distortions]	width normalization	0.23	Ciresan et al. CVPR 2012

　　卷積神經網絡的效果好得很誇張，上面可以看到，在不進行elastic distortions時，也能取得0.53的成績，而在加入width normalization後，最好的成績達到了0.23的錯誤率，準確率高得離譜，不過裡面用到了35個卷積，這個運算量同樣極大。