研究CNTK（四）：ConvNet_MNIST.cntk

可以看出結果為：

Minibatch[1-10]: errs = 0.470% * 10000; ce = 0.01797164 * 10000
Final Results: Minibatch[1-10]: errs = 0.470% * 10000; ce = 0.01797164 * 10000; perplexity = 1.01813410

錯誤僅只有0.47，相當於正確率為99.53%，這個非常高了。

這是採用了三層卷積的效果，迭代了40次，算了挺久的，按MNIST的網站上的公佈最好成績為0.23，共計用了35個卷積層，很難想像這個得算多久。

與之前的代碼幾乎還是相同，不同主要是在model上，它是這樣的：

 model = Sequential (
 Scale {featScale} :
 ConvolutionalLayer {32, (5:5), pad = true} : ReLU :
 MaxPoolingLayer {(3:3), stride=(2:2)} :
 ConvolutionalLayer {48, (3:3), pad = false} : ReLU :
 MaxPoolingLayer {(3:3), stride=(2:2)} :
 ConvolutionalLayer {64, (3:3), pad = false} : ReLU :
 DenseLayer {96} : Dropout : ReLU :  
 LinearLayer {labelDim}
 )

這個就是經典的代碼了：輸入，歸一化，卷積，池化，卷積，池化，卷積，池化，全連接，輸出。

而且可以注意到在卷積時使用了32個濾波器，更進一步地增強了提取特徵的能力，並且池化時候使用的是(3:3)，stride=(2:2)。