update

Readme.md

@@ -3,7 +3,7 @@
 [本篇博客](https://cuixing158.github.io/2020/01/28/深度学习实战-从原理到实践/)以经典的[MNIST手写数字](http://yann.lecun.com/exdb/mnist/)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[DNN神经网络的反向更新（BP）](https://www.cnblogs.com/huangyc/p/10000394.html)、[卷积神经网络(CNN)反向传播算法](https://www.cnblogs.com/pinard/p/6494810.html) 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，灰度图像，[官网](http://yann.lecun.com/exdb/mnist/)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。
 
 ## 网络架构设计
-考虑到网络简单和易用性，根据MNIST数据集特点，设计了四层网络层，分别为conv+relu+meanPool、conv+relu+dropout、conv+relu+dropout、conv+softmax四个连续模块层。每个模块层进行串连连接，不涉及跳层结构，其中第一个模块层的conv是CNN卷积操作，卷积核大小为9×9×1×20,四维矩阵（h×w×c_in×c_out），即20个卷积核；第二个及以后模块的conv其实是全连接层，因为前面的层每个神经元都会与下一层所有神经元进行全连接，神经元个数分别人工设定为95、45、10。这三层是用BP反向传播原理进行参数更新，第一层是按照CNN的反向传播算法进行更新。网络示意图如下,示意图中只画了CNN层和一个最后模块层：
+  考虑到网络简单和易用性，根据MNIST数据集特点，设计了四层网络层，分别为conv+relu+meanPool、conv+relu+dropout、conv+relu+dropout、conv+softmax四个连续模块层。每个模块层进行串连连接，不涉及跳层结构，其中第一个模块层的conv是CNN卷积操作，卷积核大小为9×9×1×20,四维矩阵（h×w×c_in×c_out），即20个卷积核；第二个及以后模块的conv其实是全连接层，因为前面的层每个神经元都会与下一层所有神经元进行全连接，神经元个数分别人工设定为95、45、10。这三层是用BP反向传播原理进行参数更新，第一层是按照CNN的反向传播算法进行更新。网络示意图如下,示意图中只画了CNN层和一个最后模块层：
 ![img](https://github.com/cuixing158/DeeplearningPractice/blob/master/imgs/network.jpg)<br>
 
 ## 网络训练工作流程

train.m

@@ -1,5 +1,4 @@
 
-
 %% 1、数据MNISTData预处理
 imageFileNameTrain = 'G:\MNIST\train-images.idx3-ubyte';
 labelFileNameTtrain = 'G:\MNIST\train-labels.idx1-ubyte';